Reconsolidation-based Episodic Memory Updating - Experiment 1

MA-Thesis, Revision, Non-monotonic Effect of Prediction Error

set.seed(12345) # for reproducibility
options(knitr.kable.NA = '')

# Some packages need to be loaded. We use `pacman` as a package manager, which takes care of the other packages. 
if (!require("pacman", quietly = TRUE)) install.packages("pacman")
if (!require("Rmisc", quietly = TRUE)) install.packages("Rmisc") # Never load it directly.
# if (!require("kableExtra", quietly = TRUE)) install.packages("kableExtra") # Never load it directly.

pacman::p_load(tidyverse, papaja, knitr, ggplot2, car, lme4, afex, emmeans, parallel, ordinal, psych, gridExtra, ggbeeswarm, RVAideMemoire, apaTables, scales, matlab, rcompanion, nortest, psycho, ggpubr, MuMIn)
devtools::install_github("thomasp85/patchwork")
remotes::install_github("rlesur/klippy")
library("patchwork"); library("klippy")
klippy::klippy()

1 방법

1.1 참가자

정상 시력의 학부생 및 대학원생 16명(여 8명, 평균 연령 25.56세, 표 준 편차 2.15세)이 인터넷을 통해 모집되어 예비 실험에 참여하였다. 참가자들은 실 험에 앞서 서면으로 작성된 실험 참가 동의서에 서명하였으며, 3일간 진행되는 2시간 30분의 실험에 참여하여 25,000원 상당의 문화상품권을 참가 보상으로 수령하였다.

1.2 장치 및 자극

예비 실험의 자극 제시 및 반응 수집은 Psychophysics Toolbox-3을 사용한 Matlab 스크립트에 의해 제어되었다(Brainard, 1997; Pelli, 1997; Kleiner, Brainard, & Pelli, 2007). 실험 화면은 해상도 1920 × 1080, 주사율 60Hz인 Dell 22인치 LCD 모니터를 이용해 제시되었다. 참가자들의 머리는 턱-이마 받침대를 통해 고정되었으며, 참가자의 눈과 모니터 사이의 거리는 63cm였다. 참가자의 반응은 반응 상자(DirectIN High Speed Button-Box; EmpiriSoft Corp.)를 사용하여 기록하였다.

기억 자극으로 인터넷과 장기 기억 실험을 위해 구성된 물체 자극(Brady, Konkle, Alvarez, & Oliva, 2008)에서 수집된 240개의 물체 그림이 사용되었다. 물체(7.21° × 7.21°)는 색을 회색조로 조정한 후 각 회기에 제시되는 세 개의 물체 목록(목록 1, 첫 회기에 학습; 목록 2, 두 번째 회기에 학습; 목록 3, 출처 기억 검사에 활용)에 80개씩 무선 할당되었다. 이어서 학습이 이루어지는 물체 목록(목록 1과 목록 2)에서 네 개의 하위 연합 기억을 형성하기 위해 네 가지 색을 사용한 연합 색 상자 자극(11.98° × 11.98°)을 구성하였다. 네 가지 색은 주황색[RGB 237, 125, 39], 노란색[255, 192, 0], 파란색[90, 155, 213], 초록색[112, 173, 70]으로 설정되었다. 목록 1과 목록 2의 물체 80개는 네 가지 색에 20개씩 무작위로 할당되었다. 이에 따라 총 세 개의 물체 목록이 구성되었으며, 이 중 두 개의 물체 목록(목록 1, 목록 2)에서는 네 개의 하위 물체 목록이 구분되었다.

1.3 실험 설계와 절차

예비 실험은 2(집단: 실험 집단, 통제 집단) × 4(예측 오류: 0%-PE 1, 30%-PE 2, 70%-PE 3, 100%-PE 4)의 혼합 요인 설계로 진행되었다. 전체적인 실험 절차와 과제는 그림 1과 같다. 실험은 별도로 준비된 실험실에서 24~48시간의 간격으로 3일간 진행되었다.

첫째 날은 물체 80개의 목록 1을 학습하는 과제와 검사하는 과제로 구성되었다(그림 1B). 학습 과제는 물체 자체, 물체와 네 가지 색 간의 연합을 학습하는 연합 학습 과제로, 목록 1의 모든 물체가 네 가지 색과 각각 연합되어 제시되었다. 각 시행에서는 물체와 연합될 네 가지 색 상자 중 하나가 500ms 동안 제시된 후, 색 상자 위에 물체가 2500ms 동안 함께 제시되었다. 참가자들은 별도의 버튼 반응 없이 물체 자체와 물체-색 간의 연합을 외우도록 지시받았다. 학습 과제가 끝나면 지시문 화면이 제시되고 검사 과제가 시작되었다. 검사 과제는 학습한 물체를 상기하고 물체-색 연합 학습 수행 결과를 확인하기 위한 연합 검사 과제였다. 각 시행에서는 학습 과제에서 제시된 목록 1의 물체와 네 가지 색 선택지가 2000ms 동안 제시되었다. 참가자들은 이전에 학습한 물체를 상기하고 물체와 연합되었던 색을 버튼을 눌러 반응하도록 지시받았다. 참가자가 버튼을 누르거나 화면 제시 후 2000ms가 지나면 피드백 화면이 1000ms 동안 제시되었다. 참가자들이 자신의 반응을 점검할 수 있도록 피드백 화면에는 반응이 맞았는지 틀렸는지 여부와 정답이 무엇인지가 함께 제시되었다. 모든 검사 시행이 끝나면 1분의 휴식 시간이 주어졌다. 휴식 시간에는 검사에서의 정확도와 평균 반응시간을 제시하여 참가자들이 학습 의지를 고취할 수 있도록 유도하였다. 물체 자체와 물체와 색 간의 연합에 대한 견고한 기억을 형성하기 위하여 연합 학습 및 검사 과제는 총 네 번 반복 수행되었다. 각 과제 내의 개별적인 시행 순서는 무작위로 설정되었다. 모든 과제 수행에는 약 50분이 소요되었다.

둘째 날의 실험은 목록 1 재활성화 과제, 작업 기억 과제, 새로운 물체 80개로 구성된 목록 2 연합 학습 및 검사 과제로 구성되었다(그림 1B와 1C). 각 과제의 수행 순서는 집단에 따라 조작되었다. 구체적으로, 실험 집단은 목록 1 재활성화 과제, 작업 기억 과제, 목록 2 연합 학습 및 검사 과제의 순서로 과제를 수행하였고, 통제 집단은 목록 2 연합 학습 및 검사 과제, 작업 기억 과제, 재활성화 과제의 순서로 과제를 수행하였다(그림 1A).

실험 집단에서는 재응고를 유도하기 위해 목록 1 재활성화 과제부터 수행되었다. 과제는 첫째 날 학습한 목록 1의 물체, 물체-색 연합에 대한 기억을 재활성화하기 위한 과제로, 연합 학습 과제와 유사한 절차로 진행되었다. 참가자들은 색과 이에 연합되었던 물체를 보며 첫날의 기억을 상기하도록 지시받았다. 기억 재활성화 중의 예측 오류 정도를 조절하기 위해, 목록 1에 포함된 네 가지 연합 기억에서 예측 오류의 조작을 다르게 적용하였다. 예측 오류의 조작은 각 연합 기억(색)에 할당된 20회의 시행에서 일반 시행과 예측 오류 시행의 비율로 조절되었다. 일반 시행은 제시된 색으로부터 예측되는 물체가 온전히 등장하는 시행이었던 반면, 예측 오류 시행은 색으로부터 예측되는 물체가 생략되고, 잡음 이미지만 등장하는 시행이었다. 잡음 이미지는 시각적 입력이 유사하게 유지될 수 있도록 원래 물체 이미지가 픽셀 단위로 섞인 이미지로 구성되었다. 네 가지 예측 오류 조건은 예측 오류 시행이 0%(0 시행)인 PE 1 조건, 예측 오류 시행이 30%(6 시행)인 PE 2 조건, 예측 오류 시행이 70%(14 시행)인 PE 3 조건, 마지막으로 모든 시행(100%; 20 시행)이 예측 오류 시행으로 구성된 PE 4 조건으로 구분되었다. 시행이 시작되면 500ms 동안 응시점이 제시된 후, 1000ms 동안 네 가지 색 중 하나가 먼저 제시되어 연합된 물체에 대한 재활성화가 유도되었다. 이어서 색에 할당된 예측 오류 조건에 따라 일반 시행과 예측 오류 시행으로 구분되어 물체 또는 잡음 이미지가 2500ms 동안 제시되었다. 모든 조건의 시행은 무작위의 순서로 진행되었다. 과제가 끝나면 참가자들의 암송을 방지하고 재응고 과정에서 발생하는 시냅스 불안정화가 충분히 이루어지도록 유도하기 위해(Monfils, Cowansage, Klann, & LeDoux, 2009; Schiller et al., 2010; Sinclair et al., 2018), 작업 기억 과제가 진행되었다. 과제는 다섯 자리의 수를 암송하였다가 이어서 제시되는 자릿수의 수가 짝수인지 홀수인지 반응하는 는 것으로, 15 시행의 두 개 블록으로 약 5분간 진행되었다. 작업 기억 과제가 끝난 후, 간섭 학습 과제로 목록 2의 연합 학습 및 검사 과제가 진행되었다. 과제의 절차는 제시되는 물체를 제외하고 목록 1 연합 학습 및 검사 과제와 동일하였다. 학습 과제에서 목록 2의 물체 80개는 이전 과제와 동일한 색에 20개씩 연합되었다. 이후 검사 과제에서 이 연합이 잘 형성되었는지 검사하였다. 견고한 기억을 형성하기 위해 학습 및 검사는 총 네 번 반복 수행되었다. 통제 집단의 절차는 각 과제의 수행 순서를 제외하고 실험 집단과 동일하였다. 구체적으로, 간섭 과제로 목록 2 연합 학습 및 검사 과제를 먼저 수행한 후, 작업 기억 과제와 목록 1 재활성화 과제를 수행하였다. 모든 과제 수행에는 약 60분의 시간이 소요되었다.

마지막 날에 참가자들은 출처 기억 및 연합 기억 검사를 수행하였다. 과제에는 첫째 날 학습한 목록 1, 둘째 날 학습한 목록 2와 학습하지 않은 목록 3의 물체 80개가 함께 제시되어 총 240개의 물체가 사용되었다. 시행이 시작되면 먼저 물체의 이미지가 제시되었다. 참가자들은 제시된 물체를 언제 학습하였는지(첫째 날, 둘째 날, 학습하지 않음) 반응한 후, 이에 대한 확신도를 1점(매우 불확실)에서 4점(매우 확실)의 척도로 응답하였다. 이어서 물체를 학습한 것으로 반응한 경우, 해당 물체와 연합되었던 색을 검사하였다. 또한 색 반응에 대한 확신도도 동일하게 1점에서 4점 척도로 수집하였다. 모든 시행은 특정한 제한 시간 없이 진행되었다. 과제가 끝나면 실험 과제에 대한 피드백을 받은 후 사후설명과 참가비를 제공하였다.

1.4 통계 분석

예비 실험은 실험 패러다임의 타당화와 연구 목표 검증의 가능성을 확인하기 위하여 적은 참가자 수로 수행되었다. 따라서 모든 측정치를 분석하지 않고 연합 기억 학습 수행과 셋째 날의 출처 및 연합 기억 검사 결과의 일부만 분석하였다. 적은 참가자 수를 고려하여 분석 결과의 기술통계를 표로 제시하였다. 이어서 기술 통계 결과를 보완하고 기억 갱신 효과의 경향성을 확인하기 위해 잠정적인 통계 분석을 수행하였다. 모든 분석은 R(R Core Team, 2019) 프로그램을 사용하여 수행되었다. 먼저 목록 1과 목록 2의 기억이 성공적으로 형성되었는지 확인하기 위해 두 물체 목록의 연합 기억 정확도와 반응시간을 분석하였다. 반응시간에서는 가외치를 제거하기 위하여 150ms보다 빠르거나, 참가자 별 반응시간 분포의 평균으로부터 3 표준편차를 벗어난 시행을 제거하였다. 연합 기억 과제의 정확도와 반응 시간에서 집단 간 차이, 목록 간 차이가 있는지 비교하였다.

셋째 날의 출처 기억 반응은 여러 종속 변인으로 구분되어 분석되었다. 주요 종속 변인은 첫째 날 학습한 물체 목록을 첫째 날 학습한 것으로 옳게 분류한 목록 1 정확반응(List 1 Correct, L1→D1), 둘째 날 학습한 물체 목록을 둘째 날 학습한 것으로 옳게 분류한 목록 2 정확반응(List 2 Correct, L2→D2), 첫째 날 학습한 물체를 둘째 날 학습한 것으로 잘못 분류한 출처 혼동(Source Confusion, L1→D2), 둘째 날 학습한 물체를 첫째 날 학습한 것으로 잘못 분류한 침범(Intrusion, L2→D1)의 네 가지였다. 이 외에, 목록 3과 관련된 변인으로 목록 3을 학습하지 않은 것으로 옳게 분류한 목록 3 정확반응(List 3 Correct, L3→New), 목록 3을 학습한 것으로 잘못 분류한 목록 3 오경보 1과 2(List 3 False Alarm - Day 1&2, L3→D1&2), 목록 1과 2를 학습하지 않은 것으로 잘못 분류한 누락(Miss, L1&2→New)을 측정하였다. 이어서 연합 기억이 셋째 날까지 잘 유지되었는지 확인하기 위해 각 집단, 물체 목록에서 연합 기억 정확도를 분석하였다. 모든 추론 통계 분석은 혼합 요인 분산 분석 및 Tukey의 짝 비교 사후 검정 방법을 통해 수행되었으며, Mauchly(1940)의 구형성 검증에서 구형성 가정이 충족되지 않으면 Greenhouse-Geisser(1959)의 교정된 자유도 상수를 사용하였다.

---

2 결과

2.1 목록 1, 목록 2의 연합 학습 수행

학습 및 검사 절차를 통해 물체-색 연합의 기억이 안정적으로 형성되었는지 확인하기 위해, 각 집단에서 연합 기억 정확도와 반응 시간의 변화를 블록 반복에 따라 분석하였다.

2.1.1 목록 1 정확도 및 반응시간

p1 <- read.csv("MemUdt_PE_d1t2_p.csv", header = T) 

p1$SN = factor(p1$SN); p1$Btw = factor(p1$Btw)
p1$Block = factor(p1$Block, levels=c(1,2,3,4), labels=c("b1","b2","b3","b4"))
p1$cCue = factor(p1$cCue, levels=c(1,2,3,4), labels=c("c1","c2","c3", "c4"))
p1$CueName = factor(p1$CueName, labels=c("c1","c2","c3", "c4"))
p1$RT <- p1$RT*1000; p1$Corr <- as.numeric(p1$Corr==1)

glimpse(p1, width=70)
## Rows: 5,120
## Columns: 12
## $ SN      <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ Btw     <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ Trial   <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1…
## $ Block   <fct> b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, …
## $ bTrial  <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1…
## $ cCue    <fct> c4, c2, c2, c3, c3, c4, c1, c2, c2, c3, c1, c2, c2, …
## $ IMidx   <int> 223, 74, 151, 200, 125, 83, 155, 77, 89, 12, 50, 161…
## $ IMname  <chr> " man309.jpg", " man106.jpg", " man201.jpg", " man27…
## $ CueName <fct> c4, c2, c2, c3, c3, c4, c1, c2, c2, c3, c1, c2, c2, …
## $ Resp    <int> 2, 4, 1, 2, 3, 2, 3, 1, 4, 2, 3, 1, 3, 2, 4, 3, 3, 1…
## $ RT      <dbl> 1287.5, 1825.2, 843.1, 1463.6, 1503.6, 1478.1, 1673.…
## $ Corr    <dbl> 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0…
# 1. SN: participant ID
# 2. Btw: between-participants factor. 1-experimental group, 2-control group
# 3. Trial: 1 ~ 320
# 4. Block: b1 ~ b4
# 5. bTrial: 1 ~ 80
# 6. cCue: association color cue condition. 1-c1, 2-c2, 3-c3, 4-c4
# 7. IMidx: index of stimuli
# 8. IMname: name of stimuli
# 9. CueName: name of color cue
# 10. Resp: association color cue response
# 11. RT: association color cue response time
# 12. Corr: color cue response correctness. 1-correct, 0-incorrect

length(unique(p1$SN))
## [1] 16
length(unique(p1$SN[p1$Btw==1]))
## [1] 8
length(unique(p1$SN[p1$Btw==2]))
## [1] 8
table(p1$SN)
## 
##   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16 
## 320 320 320 320 320 320 320 320 320 320 320 320 320 320 320 320

2.1.1.1 정확도 (Accuracy)

# phase 1, subject-level, long-format
p1.L.long.all <- p1 %>% group_by(SN, Btw, Block) %>% 
  summarise(Accuracy = mean(Corr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p1.L.long.exp <- p1.L.long.all %>% filter(Btw == 1)
p1.L.long.con <- p1.L.long.all %>% filter(Btw == 2) 

# wide format, needed for geom_segments.
p1.L.swide.all <- p1.L.long.all %>% spread(key = Block, value = Accuracy)
p1.L.swide.exp <- p1.L.swide.all %>% filter(Btw == 1)
p1.L.swide.con <- p1.L.swide.all %>% filter(Btw == 2)


# summary table
p1.L.g.all <- p1.L.long.all %>% group_by(Btw, Block) %>%
  summarise(Acc.M = mean(Accuracy), SD = sd(Accuracy)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p1.L.g.all$se <- Rmisc::summarySEwithin(data = p1.L.long.all, measurevar = "Accuracy", idvar = "SN", betweenvars ="Btw", withinvars = "Block")$se
p1.L.g.all$ci <- Rmisc::summarySEwithin(data = p1.L.long.all, measurevar = "Accuracy", idvar = "SN", betweenvars ="Btw", withinvars = "Block")$ci
p1.L.g.exp <- p1.L.g.all %>% filter(Btw == 1)
p1.L.g.con <- p1.L.g.all %>% filter(Btw == 2)
p1.L.g.all %>% kable()

Btw	Block	Acc.M	SD	se	ci
1	b1	46.87500	17.0346286	4.149565	9.812162
1	b2	83.12500	10.3725255	1.781850	4.213407
1	b3	94.68750	2.7345344	1.996032	4.719865
1	b4	98.75000	0.9449112	3.054830	7.223524
2	b1	51.87500	13.7905247	3.382224	7.997690
2	b2	83.28125	5.8224282	1.357775	3.210627
2	b3	93.43750	4.6651252	1.368861	3.236841
2	b4	96.87500	2.8347335	1.735829	4.104583

## plot

p1.all.plot1 <- ggplot(p1.L.g.all, mapping=aes(x=Block, y=Acc.M, group=Btw)) + 
  geom_ribbon(p1.L.g.all, mapping=aes(x=Block, ymin=Acc.M-ci, ymax=Acc.M+ci, fill=Btw), alpha=0.5) + 
  geom_line(p1.L.g.all, mapping=aes(x=Block, y=Acc.M, color=Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#feb24c", "#91bfdb")) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)", fill="Group") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
p1.exp.plot1 <- ggplot(p1.L.g.exp, mapping=aes(x=Block, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-ci, ymax=Acc.M+ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p1.L.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=Accuracy, group=SN, color=SN)) +
  geom_point(p1.L.long.exp, mapping = aes(x=Block, y=Accuracy, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p1.con.plot1 <- ggplot(p1.L.g.con, mapping=aes(x=Block, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-ci, ymax=Acc.M+ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p1.L.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=Accuracy, group=SN, color=SN)) +
  geom_point(p1.L.long.con, mapping = aes(x=Block, y=Accuracy, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))

ggpubr::ggarrange(p1.all.plot1, p1.exp.plot1, p1.con.plot1, ncol=3, labels=c("A) All Group","B) Experimental","C) Control"))

2.1.1.1.1 혼합 요인 분산 분석

집단과 블록을 요인으로 한 2 X 4 혼합 요인 분산 분석을 수행하였다.

p1.acc.aov <- aov_ez(id = "SN", dv = "Accuracy", data = p1.L.long.all, between = "Btw", within = "Block")
# test_levene(p1.acc.aov) 
# test_sphericity(p1.acc.aov)
anova(p1.acc.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	174.369	0.024	0.002	0.880
Block	1.324	18.542	117.517	149.909	0.915	0.000
Btw:Block	1.324	18.542	117.517	0.747	0.051	0.435

분석 결과, 블록의 주효과가 유의하였다.

p1.acc.m1 <- emmeans(p1.acc.aov, pairwise ~ Block | Btw, type = "response") # adjust="bon"
p1.acc.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
b1 - b2	1	-36.250	3.557	14	-10.191	0.000
b1 - b3	1	-47.812	4.631	14	-10.325	0.000
b1 - b4	1	-51.875	5.324	14	-9.743	0.000
b2 - b3	1	-11.562	2.399	14	-4.821	0.001
b2 - b4	1	-15.625	2.929	14	-5.335	0.001
b3 - b4	1	-4.062	1.023	14	-3.972	0.007
b1 - b2	2	-31.406	3.557	14	-8.830	0.000
b1 - b3	2	-41.562	4.631	14	-8.976	0.000
b1 - b4	2	-45.000	5.324	14	-8.452	0.000
b2 - b3	2	-10.156	2.399	14	-4.234	0.004
b2 - b4	2	-13.594	2.929	14	-4.641	0.002
b3 - b4	2	-3.438	1.023	14	-3.361	0.021

집단에서의 블록 차이를 사후 분석한 결과, 두 집단 모두 블록 반복에 따라 정확도가 향상되었다

2.1.1.2 반응시간 (Response Time)

목록 1 연합 기억 수행의 반응시간을 분석하였다.

p1.acc.trial <- p1 %>% group_by(SN) %>% 
  summarise(Accuracy = mean(Corr)*100) %>% 
  ungroup() %>% summarise(M = mean(Accuracy), SD = sd(Accuracy))

cp1.all <- p1 %>% filter(Corr==1)

sp1.all <- cp1.all %>% filter(RT > 150) %>% 
  group_by(SN) %>% 
  nest() %>% 
  mutate(lbound = map(data, ~mean(.$RT)-3*sd(.$RT)),
         ubound = map(data, ~mean(.$RT)+3*sd(.$RT))) %>% 
  unnest(c(lbound, ubound)) %>% 
  unnest(data) %>% 
  ungroup() %>% 
  mutate(Outlier = (RT < lbound)|(RT > ubound)) %>% 
  filter(Outlier == FALSE) %>% 
  select(SN, Btw, Block, cCue, CueName, Resp, RT, Corr, IMname)

100 - 100*nrow(sp1.all)/nrow(cp1.all)
## [1] 1.830002
## [1] 1.83

연합 기억 검사에서 정확하게 반응한 시행(M = 81.11%, SD = 6.38%)의 반응 시간 자료만 분석하였다. 가외치 제거 결과, 정확반응 시행의 반응시간 자료에서 1.83%가 제거되었다.

sp1.all %>% group_by(SN, Btw, Block) %>% 
  summarise(NumTrial = length(RT)) %>% 
  ungroup %>% 
  group_by(Btw, Block) %>%
  summarise(Avg = mean(NumTrial), 
            Med = median(NumTrial), 
            Min = min(NumTrial), 
            Max = max(NumTrial)) %>% 
  ungroup %>% kable(digits=3)

Btw	Block	Avg	Med	Min	Max
1	b1	34.750	32.0	25	59
1	b2	65.250	65.5	54	79
1	b3	75.750	76.5	73	79
1	b4	79.000	79.0	78	80
2	b1	38.000	37.5	25	56
2	b2	65.875	64.0	61	75
2	b3	73.750	75.0	68	79
2	b4	77.250	77.0	74	80

집단 및 블록에 따른 평균 반응시간과 표준편차를 계산하였다. 두 집단 모두에서 블록 진행에 따라 연합 기억 검사의 반응시간이 향상되는 모습을 보였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 참가자 내 신뢰구간을 나타낸다.

# long format
p1.L.rt.long.all <- sp1.all %>% group_by(SN, Btw, Block) %>% 
  summarise(RT = mean(RT)) %>% 
  ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p1.L.rt.long.exp <- p1.L.rt.long.all %>% filter(Btw==1)
p1.L.rt.long.con <- p1.L.rt.long.all %>% filter(Btw==2)

# wide format
p1.L.rt.swide.all <- p1.L.rt.long.all %>% spread(key = Block, value = RT)
p1.L.rt.swide.exp <- p1.L.rt.swide.all %>% filter(Btw==1)
p1.L.rt.swide.con <- p1.L.rt.swide.all %>% filter(Btw==2)

# summary
p1.L.rt.g.all <- p1.L.rt.long.all %>% group_by(Btw, Block) %>%
  summarise(RT.M = mean(RT), SD = sd(RT)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p1.L.rt.g.all$se <- Rmisc::summarySEwithin(data = p1.L.rt.long.all, measurevar = "RT", 
                                           idvar = "SN", betweenvars = "Btw", withinvars = "Block")$se
p1.L.rt.g.all$ci <- Rmisc::summarySEwithin(data = p1.L.rt.long.all, measurevar = "RT", 
                                           idvar = "SN", betweenvars = "Btw", withinvars = "Block")$ci
p1.L.rt.g.exp <- p1.L.rt.g.all %>% filter(Btw==1)
p1.L.rt.g.con <- p1.L.rt.g.all %>% filter(Btw==2)
p1.L.rt.g.all %>% kable(digits=3)

Btw	Block	RT.M	SD	se	ci
1	b1	1311.303	200.367	41.333	97.738
1	b2	1041.529	179.786	27.908	65.992
1	b3	889.510	134.172	22.699	53.675
1	b4	815.223	97.048	24.090	56.964
2	b1	1171.468	78.079	24.083	56.947
2	b2	962.199	70.115	11.429	27.026
2	b3	883.690	49.471	16.889	39.937
2	b4	845.969	36.746	8.314	19.660

## plot
p1.rt.all.plot1 <- ggplot(p1.L.rt.g.all, mapping=aes(x=Block, y=RT.M, group=Btw)) + 
  geom_ribbon(p1.L.rt.g.all, mapping=aes(x=Block, ymin=RT.M-ci, ymax=RT.M+ci, fill=Btw), alpha=0.5) + 
  geom_line(p1.L.rt.g.all, mapping=aes(x=Block, y=RT.M, color=Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#feb24c", "#91bfdb")) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)", fill="Group") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")

p1.rt.exp.plot1 <- ggplot(p1.L.rt.g.exp, mapping=aes(x=Block, y=RT.M, group=1)) + 
  geom_ribbon(aes(ymin=RT.M-ci, ymax=RT.M+ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p1.L.rt.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=RT, group=SN, color=SN)) +
  geom_point(p1.L.rt.long.exp, mapping = aes(x=Block, y=RT, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))

p1.rt.con.plot1 <- ggplot(p1.L.rt.g.con, mapping=aes(x=Block, y=RT.M, group=1)) + 
  geom_ribbon(aes(ymin=RT.M-ci, ymax=RT.M+ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p1.L.rt.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=RT, group=SN, color=SN)) +
  geom_point(p1.L.rt.long.con, mapping = aes(x=Block, y=RT, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p1.rt.all.plot1, p1.rt.exp.plot1, p1.rt.con.plot1, ncol = 3, labels=c("A) All Group", "B) Experimental", "C) Control"))

2.1.1.2.1 혼합 요인 분산 분석

반응시간에 대하여 집단과 블록을 요인으로한 2 X 4 혼합 요인 분산 분석을 수행하였다.

p1.rt.aov <- aov_ez(id = "SN", dv = "RT", data = p1.L.rt.long.all, between = "Btw", within = "Block") 
# test_levene(p1.rt.aov)
# test_sphericity(p1.rt.aov)
anova(p1.rt.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	43406.566	0.869	0.058	0.367
Block	1.893	26.505	7365.099	114.101	0.891	0.000
Btw:Block	1.893	26.505	7365.099	4.990	0.263	0.016

분석 결과, 블록 반복의 주효과와 집단과 블록의 상호작용이 유의하였다.

p1.rt.aov.m1 <- emmeans(p1.rt.aov, pairwise ~ Block | Btw) # adjust="bon"
p1.rt.aov.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
b1 - b2	1	269.774	40.157	14	6.718	0.000
b1 - b3	1	421.793	44.563	14	9.465	0.000
b1 - b4	1	496.080	39.714	14	12.491	0.000
b2 - b3	1	152.020	25.618	14	5.934	0.000
b2 - b4	1	226.306	28.954	14	7.816	0.000
b3 - b4	1	74.287	17.367	14	4.277	0.004
b1 - b2	2	209.269	40.157	14	5.211	0.001
b1 - b3	2	287.777	44.563	14	6.458	0.000
b1 - b4	2	325.499	39.714	14	8.196	0.000
b2 - b3	2	78.509	25.618	14	3.065	0.037
b2 - b4	2	116.231	28.954	14	4.014	0.006
b3 - b4	2	37.722	17.367	14	2.172	0.179

p1.rt.aov.m1 <- emmeans(p1.rt.aov, pairwise ~ Btw | Block) # adjust="bon"
p1.rt.aov.m1$contrasts %>% kable(digits=3)

contrast	Block	estimate	SE	df	t.ratio	p.value
1 - 2	b1	139.835	76.029	14	1.839	0.087
1 - 2	b2	79.330	68.227	14	1.163	0.264
1 - 2	b3	5.819	50.559	14	0.115	0.910
1 - 2	b4	-30.746	36.689	14	-0.838	0.416

사후 분석 결과, 두 집단 모두 반복에 따라 반응속도가 향상되었다. 또한 첫 번째 블록에서 통제 집단은 실험 집단보다 빠른 반응시간을 보였다.

Day 1 연합 기억 검사의 정확도와 반응시간을 집단별로 함께 나타난 그래프는 아래와 같다.

ggpubr::ggarrange(p1.all.plot1, p1.rt.all.plot1, ncol=2, labels = c("A) Accuracy","B) Response Time"))

2.1.2 목록 2 정확도 및 반응시간

p2 <- read.csv("MemUdt_PE_d2t5_p.csv", header = T) 

p2$SN = factor(p2$SN); p2$Btw = factor(p2$Btw)
p2$Block = factor(p2$Block, levels=c(1,2,3,4), labels=c("b1","b2","b3","b4"))
p2$cCue = factor(p2$cCue, levels=c(1,2,3,4), labels=c("c1","c2","c3","c4"))
p2$CueName = factor(p2$CueName, labels=c("c1","c2","c3","c4"))
p2$RT <- p2$RT*1000; p2$Corr <- as.numeric(p2$Corr==1)

glimpse(p2, width=70)
## Rows: 5,120
## Columns: 12
## $ SN      <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ Btw     <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ Trial   <int> 3, 4, 13, 22, 25, 26, 31, 32, 33, 40, 45, 47, 49, 52…
## $ Block   <fct> b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, b1, …
## $ bTrial  <int> 3, 4, 13, 22, 25, 26, 31, 32, 33, 40, 45, 47, 49, 52…
## $ cCue    <fct> c1, c1, c1, c1, c1, c1, c1, c1, c1, c1, c1, c1, c1, …
## $ IMidx   <int> 177, 157, 193, 107, 46, 70, 143, 134, 222, 158, 59, …
## $ IMname  <chr> " man241.jpg", " man208.jpg", " man260.jpg", " man14…
## $ CueName <fct> c2, c2, c2, c2, c2, c2, c2, c2, c2, c2, c2, c2, c2, …
## $ Resp    <int> 1, 3, 1, 2, 1, 1, 1, 4, 1, 3, 1, 1, 2, 1, 4, 1, 1, 1…
## $ RT      <dbl> 853.9, 946.0, 814.9, 1109.3, 844.9, 1657.5, 1295.9, …
## $ Corr    <dbl> 1, 0, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1…
# 1. SN: participant ID
# 2. Btw: between-participants factor. 1-experimental group, 2-control group
# 3. Trial: 1 ~ 320
# 4. Block: b1 ~ b4
# 5. bTrial: 1 ~ 80
# 6. cCue: association color cue condition. 1-c1, 2-c2, 3-c3, 4-c4
# 7. IMidx: index of stimuli
# 8. IMname: name of stimuli
# 9. CueName: name of color cue
# 10. Resp: association color cue response
# 11. RT: association color cue response time
# 12. Corr: color cue response correctness. 1-correct, 0-incorrect

length(unique(p2$SN))
## [1] 16
length(unique(p2$SN[p2$Btw==1]))
## [1] 8
length(unique(p2$SN[p2$Btw==2]))
## [1] 8
table(p2$SN)
## 
##   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16 
## 320 320 320 320 320 320 320 320 320 320 320 320 320 320 320 320

2.1.2.1 정확도 (Accuracy)

목록 2의 연합 학습 검사 결과에서 개별 참가자의 정확도 평균과 표준편차를 계산하였다. 첫째 날과 마찬가지로 두 집단 모두 반복 학습에 따라 정확도가 향상되었다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 신뢰구간을 나타낸다.

# phase 1, subject-level, long-format
p2.L.long.all <- p2 %>% group_by(SN, Btw, Block) %>% 
  summarise(Accuracy = mean(Corr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p2.L.long.exp <- p2.L.long.all %>% filter(Btw == 1)
p2.L.long.con <- p2.L.long.all %>% filter(Btw == 2) 

# wide format, needed for geom_segments.
p2.L.swide.all <- p2.L.long.all %>% spread(key = Block, value = Accuracy)
p2.L.swide.exp <- p2.L.swide.all %>% filter(Btw == 1)
p2.L.swide.con <- p2.L.swide.all %>% filter(Btw == 2)

# summary table
p2.L.g.all <- p2.L.long.all %>% group_by(Btw, Block) %>%
  summarise(Acc.M = mean(Accuracy), SD = sd(Accuracy)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p2.L.g.all$se <- Rmisc::summarySEwithin(data = p2.L.long.all, measurevar = "Accuracy", idvar = "SN", betweenvars ="Btw", withinvars = "Block")$se
p2.L.g.all$ci <- Rmisc::summarySEwithin(data = p2.L.long.all, measurevar = "Accuracy", idvar = "SN", betweenvars ="Btw", withinvars = "Block")$ci
p2.L.g.exp <- p2.L.g.all %>% filter(Btw == 1)
p2.L.g.con <- p2.L.g.all %>% filter(Btw == 2)
p2.L.g.all %>% kable(digits=3)

Btw	Block	Acc.M	SD	se	ci
1	b1	62.969	12.337	3.475	8.216
1	b2	91.719	5.861	1.336	3.160
1	b3	97.656	2.159	1.596	3.775
1	b4	99.531	0.930	1.703	4.028
2	b1	64.062	13.003	3.206	7.582
2	b2	88.281	8.397	1.395	3.299
2	b3	94.375	4.482	1.394	3.297
2	b4	98.750	1.336	2.253	5.328

## plot
p2.all.plot1 <- ggplot(p2.L.g.all, mapping=aes(x=Block, y=Acc.M, group=Btw)) + 
  geom_ribbon(p2.L.g.all, mapping=aes(x=Block, ymin=Acc.M-ci, ymax=Acc.M+ci, fill=Btw), alpha=0.5) + 
  geom_line(p2.L.g.all, mapping=aes(x=Block, y=Acc.M, color=Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#feb24c", "#91bfdb")) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)", fill="Group") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
p2.exp.plot1 <- ggplot(p2.L.g.exp, mapping=aes(x=Block, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-ci, ymax=Acc.M+ci), fill="darkblue", alpha=0.3) + geom_line(colour="darkblue", size = 1) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci), position = position_dodge(0.65), 
                  color = "darkblue", size = 0.8, show.legend = FALSE) +
  geom_line(p2.L.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=Accuracy, group=SN, color=SN)) +
  geom_point(p2.L.long.exp, mapping = aes(x=Block, y=Accuracy, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p2.con.plot1 <- ggplot(p2.L.g.con, mapping=aes(x=Block, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-ci, ymax=Acc.M+ci), fill="darkblue", alpha=0.3) + geom_line(colour="darkblue", size = 1) +
  geom_pointrange(aes(x = Block, ymin=Acc.M-ci, ymax=Acc.M+ci), position = position_dodge(0.65), 
                  color = "darkblue", size = 0.8, show.legend = FALSE) +
  geom_line(p2.L.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=Accuracy, group=SN, color=SN)) +
  geom_point(p2.L.long.con, mapping = aes(x=Block, y=Accuracy, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(25, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))

ggpubr::ggarrange(p2.all.plot1, p2.exp.plot1, p2.con.plot1, ncol=3, labels=c("A) All Group","B) Experimental","C) Control"))

2.1.2.1.1 혼합 요인 분산 분석

목록 2에서 집단과 블록 반복을 요인으로 2 X 4 혼합 요인 분산분석을 수행하였다.

p2.acc.aov <- aov_ez(id = "SN", dv = "Accuracy", data = p2.L.long.all, between = "Btw", within = "Block")
# test_levene(p2.acc.aov)
# test_sphericity(p2.acc.aov)
anova(p2.acc.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	111.101	0.369	0.026	0.553
Block	1.387	19.415	83.408	109.149	0.886	0.000
Btw:Block	1.387	19.415	83.408	0.489	0.034	0.553

분석 결과, 블록 반복의 주효과는 유의하였다.

p2.acc.m1 <- emmeans(p2.acc.aov, pairwise ~ Block | Btw, type = "response") # adjust="bon"
p2.acc.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
b1 - b2	1	-28.750	3.365	14	-8.543	0.000
b1 - b3	1	-34.688	4.141	14	-8.377	0.000
b1 - b4	1	-36.562	4.418	14	-8.276	0.000
b2 - b3	1	-5.938	1.713	14	-3.466	0.018
b2 - b4	1	-7.812	2.407	14	-3.245	0.027
b3 - b4	1	-1.875	1.056	14	-1.775	0.325
b1 - b2	2	-24.219	3.365	14	-7.196	0.000
b1 - b3	2	-30.312	4.141	14	-7.321	0.000
b1 - b4	2	-34.688	4.418	14	-7.852	0.000
b2 - b3	2	-6.094	1.713	14	-3.557	0.015
b2 - b4	2	-10.469	2.407	14	-4.349	0.003
b3 - b4	2	-4.375	1.056	14	-4.141	0.005

각 집단에서 블록 반복을 대상으로 한 사후분석을 수행하였다. 분석 결과, 두 집단 모두에서 블록 반복에 따른 정확도 향상이 관찰되었다.

2.1.2.2 반응시간 (Response Time)

목록 2 연합 기억 검사의 반응시간을 분석하였다.

p2.acc.trial <- p2 %>% group_by(SN) %>% 
  summarise(Accuracy = mean(Corr)*100) %>% 
  ungroup() %>% summarise(M = mean(Accuracy), SD = sd(Accuracy))

cp2.all <- p2 %>% filter(Corr==1)

sp2.all <- cp2.all %>% filter(RT > 150) %>% 
  group_by(SN) %>% 
  nest() %>% 
  mutate(lbound = map(data, ~mean(.$RT)-3*sd(.$RT)),
         ubound = map(data, ~mean(.$RT)+3*sd(.$RT))) %>% 
  unnest(c(lbound, ubound)) %>% 
  unnest(data) %>% 
  ungroup() %>% 
  mutate(Outlier = (RT < lbound)|(RT > ubound)) %>% 
  filter(Outlier == FALSE) %>% 
  select(SN, Btw, Block, cCue, CueName, Resp, RT, Corr, IMname)

100 - 100*nrow(sp2.all)/nrow(cp2.all)
## [1] 2.151019
## [1] 2.15

연합 기억 검사에서 정확하게 반응한 시행(M = 87.17%, SD = 5.16%)의 반응 시간 자료만 분석하였다. 가외치(Outliers)를 제거하기 위하여 반응 시간이 150ms 보다 빠르거나, 각 참가자의 반응시간 분포에서 평균으로부터 3 표준편차를 벗어난 시행을 제거하였다. 가외치 제거 결과, 정확반응 시행의 반응시간 자료에서 2.15%가 제거되었다.

sp2.all %>% group_by(SN, Btw, Block) %>% 
  summarise(NumTrial = length(RT)) %>% 
  ungroup %>% 
  group_by(Btw, Block) %>%
  summarise(Avg = mean(NumTrial), 
            Med = median(NumTrial), 
            Min = min(NumTrial), 
            Max = max(NumTrial)) %>% 
  ungroup %>% kable(digits=3)

Btw	Block	Avg	Med	Min	Max
1	b1	46.250	43.5	38	61
1	b2	71.875	71.0	64	80
1	b3	77.375	78.0	75	79
1	b4	79.500	80.0	78	80
2	b1	48.625	45.0	38	66
2	b2	68.750	68.0	58	79
2	b3	75.000	75.5	68	78
2	b4	78.500	79.0	76	80

각 참가자의 집단 및 블록에 따른 평균 반응시간과 표준편차를 계산하였다. 두 집단 모두에서 블록 진행에 따라 연합 기억 검사의 반응시간이 향상되는 모습을 보였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 참가자 내 신뢰구간을 나타낸다.

# long format
p2.L.rt.long.all <- sp2.all %>% group_by(SN, Btw, Block) %>% 
  summarise(RT = mean(RT)) %>% 
  ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p2.L.rt.long.exp <- p2.L.rt.long.all %>% filter(Btw==1)
p2.L.rt.long.con <- p2.L.rt.long.all %>% filter(Btw==2)

# wide format
p2.L.rt.swide.all <- p2.L.rt.long.all %>% spread(key = Block, value = RT)
p2.L.rt.swide.exp <- p2.L.rt.swide.all %>% filter(Btw==1)
p2.L.rt.swide.con <- p2.L.rt.swide.all %>% filter(Btw==2)


# summary
p2.L.rt.g.all <- p2.L.rt.long.all %>% group_by(Btw, Block) %>%
  summarise(RT.M = mean(RT), SD = sd(RT)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p2.L.rt.g.all$se <- Rmisc::summarySEwithin(data = p2.L.rt.long.all, measurevar = "RT", 
                                           idvar = "SN", betweenvars = "Btw", withinvars = "Block")$se
p2.L.rt.g.all$ci <- Rmisc::summarySEwithin(data = p2.L.rt.long.all, measurevar = "RT", 
                                           idvar = "SN", betweenvars = "Btw", withinvars = "Block")$ci
p2.L.rt.g.exp <- p2.L.rt.g.all %>% filter(Btw==1)
p2.L.rt.g.con <- p2.L.rt.g.all %>% filter(Btw==2)
p2.L.rt.g.all %>% kable(digits=3)

Btw	Block	RT.M	SD	se	ci
1	b1	1134.721	129.357	22.519	53.249
1	b2	932.799	112.540	22.052	52.145
1	b3	821.952	76.985	19.186	45.369
1	b4	787.461	72.798	25.462	60.207
2	b1	1115.484	142.017	25.171	59.519
2	b2	959.215	77.685	6.530	15.441
2	b3	871.059	70.580	18.020	42.611
2	b4	822.706	67.736	12.968	30.665

## plot
p2.rt.all.plot1 <- ggplot(p2.L.rt.g.all, mapping=aes(x=Block, y=RT.M, group=Btw)) + 
  geom_ribbon(p2.L.rt.g.all, mapping=aes(x=Block, ymin=RT.M-ci, ymax=RT.M+ci, fill=Btw), alpha=0.5) + 
  geom_line(p2.L.rt.g.all, mapping=aes(x=Block, y=RT.M, color=Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#feb24c", "#91bfdb")) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)", fill="Group") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
p2.rt.exp.plot1 <- ggplot(p2.L.rt.g.exp, mapping=aes(x=Block, y=RT.M, group=1)) + 
  geom_ribbon(aes(ymin=RT.M-ci, ymax=RT.M+ci), fill="darkblue", alpha=0.3) + geom_line(colour="darkblue", size = 1) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci), position = position_dodge(0.65), 
                  color = "darkblue", size = 0.8, show.legend = FALSE) +
  geom_line(p2.L.rt.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=RT, group=SN, color=SN)) +
  geom_point(p2.L.rt.long.exp, mapping = aes(x=Block, y=RT, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))

p2.rt.con.plot1 <- ggplot(p2.L.rt.g.con, mapping=aes(x=Block, y=RT.M, group=1)) + 
  geom_ribbon(aes(ymin=RT.M-ci, ymax=RT.M+ci), fill="darkblue", alpha=0.3) + geom_line(colour="darkblue", size = 1) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci), position = position_dodge(0.65), 
                  color = "darkblue", size = 0.8, show.legend = FALSE) +
  geom_line(p2.L.rt.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=Block, y=RT, group=SN, color=SN)) +
  geom_point(p2.L.rt.long.con, mapping = aes(x=Block, y=RT, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 2 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p2.rt.all.plot1, p2.rt.exp.plot1, p2.rt.con.plot1, ncol = 3, labels=c("A) All Group","B) Experimental","C) Control"))

2.1.2.2.1 혼합 요인 분산 분석 1

집단과 블록 진행을 요인으로 한 2 X 4 혼합 요인 분산분석을 수행하였다.

p2.rt.aov <- aov_ez(id = "SN", dv = "RT", data = p2.L.rt.long.all, between = "Btw", within = "Block")
# test_levene(p2.rt.aov)
# test_sphericity(p2.rt.aov)
anova(p2.rt.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	28662.420	0.292	0.020	0.597
Block	2.283	31.967	4176.658	102.165	0.879	0.000
Btw:Block	2.283	31.967	4176.658	1.102	0.073	0.351

분석 결과, 블록 진행의 주효과는 유의하였다.

p2.rt.aov.m1 <- emmeans(p2.rt.aov, pairwise ~ Block | Btw)
p2.rt.aov.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
b1 - b2	1	201.922	25.418	14	7.944	0.000
b1 - b3	1	312.769	34.608	14	9.037	0.000
b1 - b4	1	347.260	32.547	14	10.670	0.000
b2 - b3	1	110.847	22.534	14	4.919	0.001
b2 - b4	1	145.338	28.838	14	5.040	0.001
b3 - b4	1	34.491	22.931	14	1.504	0.461
b1 - b2	2	156.269	25.418	14	6.148	0.000
b1 - b3	2	244.425	34.608	14	7.063	0.000
b1 - b4	2	292.778	32.547	14	8.996	0.000
b2 - b3	2	88.156	22.534	14	3.912	0.008
b2 - b4	2	136.509	28.838	14	4.734	0.002
b3 - b4	2	48.353	22.931	14	2.109	0.198

각 집단별로 블록 반복에 의한 사후분석을 수행하였다. 두 집단 모두에서 네 번째 블록은 첫 번째 블록보다 유의하게 빠른 반응시간을 보였다.

둘째 날 학습한 목록 2의 연합 기억 검사의 정확도와 반응시간을 집단별로 함께 나타난 그래프는 아래와 같다.

ggpubr::ggarrange(p2.all.plot1, p2.rt.all.plot1, ncol=2, labels = c("A) Accuracy","B) Response Time"))

2.1.3 Day 1 & Day 2 연합 기억 비교

p1$day <- 1; p2$day <- 2; p12 <- rbind(p1, p2)
p12$day = factor(p12$day, levels = c(1,2), labels=c("day1", "day2"))
p12.exp <- p12 %>% filter(Btw == 1)
p12.con <- p12 %>% filter(Btw == 2)

sp1.all$day <- 1; sp2.all$day <- 2; sp12.all <- rbind(sp1.all, sp2.all)
sp12.all$day = factor(sp12.all$day, levels = c(1,2), labels=c("day1", "day2"))
sp12.exp <- sp12.all %>% filter(Btw == 1)
sp12.con <- sp12.all %>% filter(Btw == 2)

2.1.3.1 정확도 (Accuracy)

각 집단에서 첫째 날 학습한 목록 1과 둘째 날 학습한 목록 2의 연합 학습 검사 정확도를 비교하였다. 개별 참가자의 정확도 평균과 표준편차를 집단과 물체 목록에 따라 계산하여 그래프로 표시하였다. 두 집단 모두, 각 물체 목록에서 반복 학습에 따라 정확도가 향상되었으나 첫 번째, 두 번째 블록에서 둘째 날의 정확도가 첫째 날보다 우수한 패턴이 나타났다. 그러나 이러한 차이는 네 번째 블록으로 갈수록 사라졌다. 아래의 그래프에서 A는 실험 집단, B는 통제집단을 나타내며, 빨간 점과 파란 점은 평균, 오차 막대는 95% 신뢰구간을 나타낸다.

# phase 1, subject-level, long-format
p12.L.long.all <- p12 %>% group_by(SN, Btw, day, Block) %>% 
  summarise(Accuracy = mean(Corr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw', 'day'. You can override using the `.groups` argument.

p12.L.long.exp <- p12.L.long.all %>% filter(Btw == 1)
p12.L.long.con <- p12.L.long.all %>% filter(Btw == 2) 

# summary table
p12.L.g.all <- p12.L.long.all %>% group_by(Btw, day, Block) %>%
  summarise(ACC.M = mean(Accuracy), SD = sd(Accuracy)) %>% ungroup()

## `summarise()` has grouped output by 'Btw', 'day'. You can override using the `.groups` argument.

p12.L.g.all$se <- Rmisc::summarySEwithin(data = p12.L.long.all, measurevar = "Accuracy", 
                                         idvar = "SN", betweenvars ="Btw", withinvars = c("day", "Block"))$se
p12.L.g.all$ci <- Rmisc::summarySEwithin(data = p12.L.long.all, measurevar = "Accuracy", 
                                         idvar = "SN", betweenvars ="Btw", withinvars = c("day", "Block"))$ci
p12.L.g.exp <- p12.L.g.all %>% filter(Btw == 1)
p12.L.g.con <- p12.L.g.all %>% filter(Btw == 2)
# p12.L.g.all %>% kable(digits=3)

## plot
p12.exp.plot1 <- ggplot(p12.L.g.exp, mapping=aes(x=Block, y=ACC.M, group=day)) + 
  geom_ribbon(p12.L.g.exp, mapping=aes(x=Block, ymin=ACC.M-ci, ymax=ACC.M+ci, fill=day), alpha=0.3) + 
  geom_line(p12.L.g.exp, mapping=aes(x=Block, y=ACC.M, color=day), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=ACC.M-ci, ymax=ACC.M+ci, color=day), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("darkred", "darkblue"), labels = c("List 1", "List 2")) +
  scale_color_manual(values = c("darkred", "darkblue")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)", fill="Object List") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 & 2 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")

p12.con.plot1 <- ggplot(p12.L.g.con, mapping=aes(x=Block, y=ACC.M, group=day)) + 
  geom_ribbon(p12.L.g.con, mapping=aes(x=Block, ymin=ACC.M-ci, ymax=ACC.M+ci, fill=day), alpha=0.3) + 
  geom_line(p12.L.g.con, mapping=aes(x=Block, y=ACC.M, color=day), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=ACC.M-ci, ymax=ACC.M+ci, color=day), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("darkred", "darkblue"), labels = c("List 1", "List 2")) +
  scale_color_manual(values = c("darkred", "darkblue")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Block", y = "Accuracy (%)", fill="Object List") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 & 2 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
ggpubr::ggarrange(p12.exp.plot1, p12.con.plot1, ncol=2, labels = c("A) Experimental","B) Control"))

2.1.3.1.1 혼합 요인 분산 분석 1

집단과 목록, 블록을 요인으로 한 2 X 2 X 4 혼합 요인 분산 분석을 수행하였다.

# all group
p12.acc.all.aov <- aov_ez(id = "SN", dv = "Accuracy", data = p12.L.long.all, between = "Btw", within = c("day" , "Block"))
# test_levene(p12.acc.all.aov)
# test_sphericity(p12.acc.all.aov)
anova(p12.acc.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	245.075	0.039	0.003	0.846
day	1.000	14.000	40.395	29.041	0.675	0.000
Btw:day	1.000	14.000	40.395	0.881	0.059	0.364
Block	1.246	17.438	169.491	166.334	0.922	0.000
Btw:Block	1.246	17.438	169.491	0.670	0.046	0.456
day:Block	1.809	25.331	33.267	13.968	0.499	0.000
Btw:day:Block	1.809	25.331	33.267	0.522	0.036	0.582

분석 결과, 물체 목록의 주효과, 블록의 주효과, 물체 목록과 블록의 상호작용이 유의하였다.

## all group
p12.acc.all.m1 <- emmeans(p12.acc.all.aov, pairwise ~ Block | day, type = "response")
p12.acc.all.m1$contrasts %>% kable(digits=3)

contrast	day	estimate	SE	df	t.ratio	p.value
b1 - b2	day1	-33.828	2.515	14	-13.450	0.000
b1 - b3	day1	-44.688	3.274	14	-13.648	0.000
b1 - b4	day1	-48.438	3.765	14	-12.866	0.000
b2 - b3	day1	-10.859	1.696	14	-6.403	0.000
b2 - b4	day1	-14.609	2.071	14	-7.054	0.000
b3 - b4	day1	-3.750	0.723	14	-5.185	0.001
b1 - b2	day2	-26.484	2.380	14	-11.129	0.000
b1 - b3	day2	-32.500	2.928	14	-11.100	0.000
b1 - b4	day2	-35.625	3.124	14	-11.404	0.000
b2 - b3	day2	-6.016	1.211	14	-4.966	0.001
b2 - b4	day2	-9.141	1.702	14	-5.370	0.001
b3 - b4	day2	-3.125	0.747	14	-4.183	0.005

p12.acc.all.m2 <- emmeans(p12.acc.all.aov, pairwise ~ day | Block, type = "response")
p12.acc.all.m2$contrasts %>% kable(digits=3)

contrast	Block	estimate	SE	df	t.ratio	p.value
day1 - day2	b1	-14.141	2.840	14	-4.979	0.000
day1 - day2	b2	-6.797	1.939	14	-3.506	0.003
day1 - day2	b3	-1.953	0.763	14	-2.561	0.023
day1 - day2	b4	-1.328	0.408	14	-3.254	0.006

목록에서의 블록 차이를 사후 분석한 결과, 두 물체 목록 모두에서 네 번째 블록은 첫 번째 블록보다 유의하게 높은 정확도를 보였다, 목록 1&2, p < .001. 블록에서 물체 목록 간 차이를 사후 분석한 결과, 블록 1과 2에서 목록 2의 정확도가 목록 1보다 유의하게 높았다. 그러나 이러한 차이는 블록 3과 4에서 나타나지 않았다.

2.1.3.1.2 혼합 요인 분산 분석 2

마지막 블록에서 집단과 목록을 요인으로 한 2 X 2 혼합 요인 분산 분석을 수행하였다.

p12.L.long.all.b4 <- p12.L.long.all %>% filter(Block=="b4")

# all group
p12.acc.all.b4.aov <- aov_ez(id = "SN", dv = "Accuracy", data = p12.L.long.all.b4, between = "Btw", within = c("day"))
# test_levene(p12.acc.all.aov)
# test_sphericity(p12.acc.all.aov)
anova(p12.acc.all.b4.aov , es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	4.457	3.166	0.184	0.097
day	1	14	1.332	10.592	0.431	0.006
Btw:day	1	14	1.332	1.796	0.114	0.202

분석 결과, 물체 목록의 주효과가 유의하였다.

## all group
p12.acc.all.b4.m1 <- emmeans(p12.acc.all.b4.aov , pairwise ~ day | Btw, type = "response")
p12.acc.all.b4.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
day1 - day2	1	-0.781	0.577	14	-1.354	0.197
day1 - day2	2	-1.875	0.577	14	-3.249	0.006

p12.acc.all.b4.m2 <- emmeans(p12.acc.all.b4.aov, pairwise ~ Btw | day, type = "response")
p12.acc.all.b4.m2$contrasts %>% kable(digits=3)

contrast	day	estimate	SE	df	t.ratio	p.value
1 - 2	day1	1.875	1.056	14	1.775	0.098
1 - 2	day2	0.781	0.576	14	1.357	0.196

집단에서 목록에 따른 정확도를 사후 분석한 결과, 통제 집단에서 목록 2는 목록 1보다 유의하게 높은 정확도를 보였다. 실험 집단에서의 차이는 유의하지 않았다. 추가로, 목록에서 집단에 따른 차이를 분석한 결과, 목록 1에서 실험 집단은 통제 집단보다 유의하게 높은 정확도를 보였다.

2.1.3.2 반응시간 (Response Time)

두 집단에서 목록, 블록에 따른 연합 학습 검사 반응시간을 비교하였다. 반응시간 자료는 각 물체 목록 별로 전처리된 자료를 사용하였다. 개별 참가자의 반응시간 평균과 표준편차를 집단과 물체 목록에 따라 계산하여 그래프로 표시하였다. 두 집단 모두, 각 물체 목록에서 블록 반복에 따라 반응시간이 빨라졌다. 아래의 그래프에서 A는 실험 집단, B는 통제집단을 나타내며, 빨간 점과 파란 점은 평균, 오차 막대는 95% 신뢰구간을 나타낸다.

# long format
p12.L.rt.long.all <- sp12.all %>% group_by(SN, Btw, day, Block) %>% 
  summarise(RT = mean(RT)) %>% 
  ungroup()

## `summarise()` has grouped output by 'SN', 'Btw', 'day'. You can override using the `.groups` argument.

p12.L.rt.long.exp <- p12.L.rt.long.all %>% filter(Btw==1)
p12.L.rt.long.con <- p12.L.rt.long.all %>% filter(Btw==2)

# summary
p12.L.rt.g.all <- p12.L.rt.long.all %>% group_by(Btw, day, Block) %>%
  summarise(RT.M = mean(RT), SD = sd(RT)) %>% ungroup()

## `summarise()` has grouped output by 'Btw', 'day'. You can override using the `.groups` argument.

p12.L.rt.g.all$se <- Rmisc::summarySEwithin(data = p12.L.rt.long.all, measurevar = "RT", 
                                            idvar = "SN", betweenvars = "Btw", withinvars = c("day", "Block"))$se
p12.L.rt.g.all$ci <- Rmisc::summarySEwithin(data = p12.L.rt.long.all, measurevar = "RT", 
                                            idvar = "SN", betweenvars = "Btw", withinvars = c("day", "Block"))$ci
p12.L.rt.g.exp <- p12.L.rt.g.all %>% filter(Btw==1)
p12.L.rt.g.con <- p12.L.rt.g.all %>% filter(Btw==2)
# p12.L.rt.g.all %>% kable(digits=3)

## plot 
p12.rt.exp.plot1 <- ggplot(p12.L.rt.g.exp, mapping=aes(x=Block, y=RT.M, group=day)) + 
  geom_ribbon(p12.L.rt.g.exp, mapping=aes(x=Block, ymin=RT.M-ci, ymax=RT.M+ci, fill=day), alpha=0.3) + 
  geom_line(p12.L.rt.g.exp, mapping=aes(x=Block, y=RT.M, color=day), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci, color=day), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("darkred", "darkblue"), labels = c("List 1", "List 2")) +
  scale_color_manual(values = c("darkred", "darkblue")) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)", fill="Object List") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 & 2 Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
p12.rt.con.plot1 <- ggplot(p12.L.rt.g.con, mapping=aes(x=Block, y=RT.M, group=day)) + 
  geom_ribbon(p12.L.rt.g.con, mapping=aes(x=Block, ymin=RT.M-ci, ymax=RT.M+ci, fill=day), alpha=0.3) + 
  geom_line(p12.L.rt.g.con, mapping=aes(x=Block, y=RT.M, color=day), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = Block, ymin=RT.M-ci, ymax=RT.M+ci, color=day), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("darkred", "darkblue"), labels = c("List 1", "List 2")) +
  scale_color_manual(values = c("darkred", "darkblue")) +
  coord_cartesian(ylim = c(0, 1800), clip = "on") +
  labs(x = "Block", y = "Response Time (ms)", fill="Object List") +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  # ggtitle("Day 1 & 2 Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")
ggpubr::ggarrange(p12.rt.exp.plot1, p12.rt.con.plot1, ncol=2, labels=c("A) Experimental","B) Control"))

2.1.3.2.1 혼합 요인 분산 분석 1

반응시간에 대하여, 집단, 목록, 블록의 요인으로 2 X 2 X 4 혼합 요인 분산 분석을 수행하였다.

# all group
p12.rt.all.aov <- aov_ez(id = "SN", dv = "RT", data = p12.L.rt.long.all, between = "Btw", within = c("day" , "Block"))
anova(p12.rt.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	59243.439	0.089	0.006	0.770
day	1.000	14.000	12825.548	8.814	0.386	0.010
Btw:day	1.000	14.000	12825.548	3.184	0.185	0.096
Block	1.806	25.290	8419.494	166.160	0.922	0.000
Btw:Block	1.806	25.290	8419.494	4.168	0.229	0.031
day:Block	2.187	30.614	3782.489	4.613	0.248	0.015
Btw:day:Block	2.187	30.614	3782.489	2.018	0.126	0.147

분석 결과, 목록과 블록의 주효과, 목록과 블록 간의 상호작용, 집단과 블록의 상호작용이 유의하였다.

## all group
p12.rt.all.m1 <- emmeans(p12.rt.all.aov, pairwise ~ Block | day)
p12.rt.all.m1$contrasts %>% kable(digits=3)

contrast	day	estimate	SE	df	t.ratio	p.value
b1 - b2	day1	239.521	28.395	14	8.435	0.000
b1 - b3	day1	354.785	31.510	14	11.259	0.000
b1 - b4	day1	410.790	28.082	14	14.628	0.000
b2 - b3	day1	115.264	18.115	14	6.363	0.000
b2 - b4	day1	171.269	20.474	14	8.365	0.000
b3 - b4	day1	56.004	12.281	14	4.560	0.002
b1 - b2	day2	179.096	17.973	14	9.965	0.000
b1 - b3	day2	278.597	24.472	14	11.384	0.000
b1 - b4	day2	320.019	23.014	14	13.905	0.000
b2 - b3	day2	99.501	15.934	14	6.245	0.000
b2 - b4	day2	140.923	20.392	14	6.911	0.000
b3 - b4	day2	41.422	16.215	14	2.555	0.094

p12.rt.all.m2 <- emmeans(p12.rt.all.aov, pairwise ~ day | Block)
p12.rt.all.m2$contrasts %>% kable(digits=3)

contrast	Block	estimate	SE	df	t.ratio	p.value
day1 - day2	b1	116.283	30.041	14	3.871	0.002
day1 - day2	b2	55.857	29.100	14	1.919	0.076
day1 - day2	b3	40.095	26.960	14	1.487	0.159
day1 - day2	b4	25.512	12.688	14	2.011	0.064

p12.rt.all.m3 <- emmeans(p12.rt.all.aov, pairwise ~ Block | Btw)
p12.rt.all.m3$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
b1 - b2	1	235.848	27.986	14	8.427	0.000
b1 - b3	1	367.281	32.071	14	11.452	0.000
b1 - b4	1	421.670	31.090	14	13.563	0.000
b2 - b3	1	131.433	21.146	14	6.215	0.000
b2 - b4	1	185.822	22.596	14	8.224	0.000
b3 - b4	1	54.389	8.136	14	6.685	0.000
b1 - b2	2	182.769	27.986	14	6.531	0.000
b1 - b3	2	266.101	32.071	14	8.297	0.000
b1 - b4	2	309.139	31.090	14	9.943	0.000
b2 - b3	2	83.332	21.146	14	3.941	0.007
b2 - b4	2	126.370	22.596	14	5.593	0.000
b3 - b4	2	43.037	8.136	14	5.290	0.001

목록에서의 블록 차이 분석 결과, 두 목록 모두 네 번째 블록은 첫 번째 블록보다 유의하게 빠른 반응시간을 보였다. 블록에서 물체 목록 간 차이를 분석한 결과, 블록 1과 2에서 목록 2의 반응시간이 더 빠르게 나타났다. 그러나 블록 3과 4에서는 이러한 차이가 나타나지 않았다. 각 집단에서 블록에 의한 차이를 분석한 결과, 두 집단 모두 네 번째 블록은 첫 번째 블록보다 유의하게 빠른 반응시간을 보였다.

2.1.3.2.2 혼합 요인 분산 분석 2

반응시간에 대하여, 네 번째 블록의 집단, 목록을 요인으로 2 X 2 혼합 요인 분산 분석을 수행하였다.

# all group
p12.L.rt.long.b4.all <- p12.L.rt.long.all %>% filter(Block=="b4")
p12.rt.all.b4.aov <- aov_ez(id = "SN", dv = "RT", data = p12.L.rt.long.b4.all, between = "Btw", within = c("day"))
anova(p12.rt.all.b4.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	9040.206	0.963	0.064	0.343
day	1	14	1287.946	4.043	0.224	0.064
Btw:day	1	14	1287.946	0.031	0.002	0.862

분석 결과, 모든 효과가 유의하지 않았다.

## all group
p12.rt.all.b4.m1 <- emmeans(p12.rt.all.b4.aov, pairwise ~ day | Btw)
p12.rt.all.b4.m1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
day1 - day2	1	27.762	17.944	14	1.547	0.144
day1 - day2	2	23.262	17.944	14	1.296	0.216

p12.rt.all.b4.m2 <- emmeans(p12.rt.all.b4.aov, pairwise ~ Btw | day)
p12.rt.all.b4.m2$contrasts %>% kable(digits=3)

contrast	day	estimate	SE	df	t.ratio	p.value
1 - 2	day1	-30.746	36.689	14	-0.838	0.416
1 - 2	day2	-35.246	35.156	14	-1.003	0.333

정확도와 반응시간을 함께 나타낸 그래프는 아래와 같다.

ggpubr::ggarrange(p12.exp.plot1, p12.con.plot1, p12.rt.exp.plot1, p12.rt.con.plot1, nrow = 2, ncol=2, 
          labels=c("A) Experimental - Acc","B) Control - Acc","C) Experimental - RT","D) Control - RT"))

2.1.4 색 단서에 의한 학습 차이

본 실험에서는 참가자 내에서 예측 오류의 정도를 조작하기 위하여 물체-색 연합 기억을 사용하였다. 네 가지 색은 주황색[c1; 237, 125, 39], 노란색[c2; 255, 192, 0], 파란색[c3; 90, 155, 213], 초록색[c4; 112, 173, 70]으로 설정되었다. 색에 따라 기억 수행 정도에서 큰 차이가 난다면, 이 차이가 마지막 날 출처 기억 및 연합 기억 검사에 혼입될 가능성이 있다. 따라서 색에 따라 연합 기억 수행이 차이가 있는지 살펴보았다 .

p12.acc.cue.all <- p12  %>% group_by(SN, cCue) %>% 
  summarise(Accuracy = mean(Corr)*100, SD = sd(Corr)*100) %>% 
  ungroup()
# p12.acc.cue.all %>% kable()

p12.acc.cue.all.wide <- p12.acc.cue.all %>% 
  select(SN, cCue, Accuracy) %>% 
  spread(cCue, Accuracy)
# p12.acc.cue.all.wide %>% kable(digits=0)

p12.acc.cue.all.g <- p12.acc.cue.all %>% group_by(cCue) %>% 
  summarise(Acc.m = mean(Accuracy), Acc.sd = sd(Accuracy)) %>% 
  ungroup()
p12.acc.cue.all.g$Acc.ci <- Rmisc::summarySEwithin(data = p12.acc.cue.all, measurevar = "Accuracy", idvar = "SN", withinvars = "cCue")$ci
p12.acc.cue.all.g$Acc.se <- Rmisc::summarySEwithin(data = p12.acc.cue.all, measurevar = "Accuracy", idvar = "SN", withinvars = "cCue")$se
p12.acc.cue.all.g %>% kable(digits=3)

cCue	Acc.m	Acc.sd	Acc.ci	Acc.se
c1	81.055	6.992	2.249	1.055
c2	83.633	6.496	2.099	0.985
c3	87.109	6.033	2.308	1.083
c4	84.766	5.942	1.850	0.868

p12.acc.cue.plot1 <- ggplot(data=p12.acc.cue.all, aes(x=cCue, y=Accuracy)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, 
               width = .65, colour="black", fill=c("#ed7d31", "#ffc000", "#5b9ad5", "#70ad47"), size = 1.02) +
  geom_pointrange(data=p12.acc.cue.all.g, aes(x = cCue, y = Acc.m, ymin = Acc.m-Acc.ci, ymax = Acc.m+Acc.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_x_discrete(labels = c("C1", "C2", "C3", "C4")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Color Condition", y = "Accuracy (%)") +
  # ggtitle("Association Memory Performance") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")
ggpubr::ggarrange(p12.acc.cue.plot1, labels = c("Association Memory Performance by Color"))

색 조건을 요인으로 하는 분산분석을 수행하였다.

p12.acc.cue.m1 <- aov_ez(id = "SN", dv = "Accuracy", data=p12.acc.cue.all, within = c("cCue"))
anova(p12.acc.cue.m1, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
cCue	2.62	39.297	18.363	6.314	0.296	0.002

분석 결과, 색의 주효과가 유의하였다.

p12.acc.cue.m1.ph <- emmeans(p12.acc.cue.m1, pairwise ~ cCue, type = "response")
p12.acc.cue.m1.ph$contrasts %>% kable(digits=3)

contrast	estimate	SE	df	t.ratio	p.value
c1 - c2	-2.578	1.558	15	-1.655	0.380
c1 - c3	-6.055	1.604	15	-3.774	0.009
c1 - c4	-3.711	1.160	15	-3.199	0.027
c2 - c3	-3.477	1.326	15	-2.622	0.081
c2 - c4	-1.133	1.315	15	-0.861	0.824
c3 - c4	2.344	1.481	15	1.583	0.417

사후 분석 결과, 주황색(c1)의 정확도는 파란색(c3)보다 유의하게 낮았다. 또한 주황색(c1)은 초록색(c4)보다 낮은 정확도를 보이는 경향이 나타났다. 다른 색 간의 차이는 유의하지 않았다.

---

2.2 Day 3 출처 기억 및 연합 기억 검사

## load data
p3 <- read.csv("MemUdt_PE_d3t6_p.csv", header = T) 
p3$SN = factor(p3$SN); p3$Btw = factor(p3$Btw)
p3$cSrc = factor(p3$cSrc, levels=c(1,2,3),  labels=c("List_1","List_2","List_3"))
p3$cCue = factor(p3$cCue, levels=c(1,2,3,4,0), labels=c("cc1","cc2","cc3","cc4","cc0"))
p3$cPE = factor(p3$cPE, levels=c(1,2,3,4,0), labels=c("pe1","pe2","pe3","pe4","pe0"))
p3$CueName = factor(p3$CueName, labels=c("c0","c1","c2","c3","c4"))
p3$Resp <- factor(p3$Resp, levels=c(1,2,3), labels=c("Day_1", "Day_2", "New"))
p3$RT <- p3$RT*1000; p3$Correct <- as.numeric(p3$Corr==1)
p3$Int <- as.numeric(p3$Corr==3); p3$Err <- as.numeric(p3$Corr==2)
p3$Incorr <- as.numeric(p3$Corr==0); p3$aCorr <- as.numeric(p3$aCorr==1); 
p3 <- p3 %>% select(SN, Btw, Trial, cSrc, cCue, cPE, IMname, Resp, Corr, Conf, 
                    aResp, aRT, aCorr, aConf, Correct, Int, Err, Incorr)

glimpse(p3, width = 60)
## Rows: 3,840
## Columns: 18
## $ SN      <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
## $ Btw     <fct> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
## $ Trial   <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,…
## $ cSrc    <fct> List_2, List_3, List_2, List_3, List_1, Li…
## $ cCue    <fct> cc4, cc0, cc1, cc0, cc2, cc3, cc3, cc2, cc…
## $ cPE     <fct> pe4, pe0, pe1, pe0, pe3, pe2, pe2, pe3, pe…
## $ IMname  <chr> " man312.jpg", " man267.jpg", " man283.jpg…
## $ Resp    <fct> Day_2, New, Day_2, New, Day_1, Day_2, Day_…
## $ Corr    <int> 1, 1, 1, 1, 1, 1, 2, 3, 1, 1, 1, 1, 1, 1, …
## $ Conf    <int> 2, 4, 2, 4, 3, 3, 3, 3, 4, 4, 3, 2, 2, 4, …
## $ aResp   <int> 2, 7, 3, 7, 1, 4, 4, 1, 7, 7, 7, 4, 2, 7, …
## $ aRT     <dbl> 1.3755, 0.0000, 2.0159, 0.0000, 1.4385, 3.…
## $ aCorr   <dbl> 1, 0, 1, 0, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, …
## $ aConf   <int> 4, 7, 3, 7, 4, 4, 4, 3, 7, 7, 7, 2, 3, 7, …
## $ Correct <dbl> 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, …
## $ Int     <dbl> 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, …
## $ Err     <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, …
## $ Incorr  <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
# 1. SN: participant ID
# 2. Btw: between-participants factor. 1-experimental group, 2-control group
# 3. Trial: 1 ~ 360
# 4. cSrc: learning source of stimuli. List_1 - day1, List_2 - day2, New - lure
# 5. cCue: association color cue condition. cc1 - color 1, cc2 - color 2, cc3 - color 3, cc4 = color 4, cc0 - lure
# 6. cPE: prediction error condition. pe1 - 0%, pe2 - 30%, pe3 - 70%, pe4 - 100%, pe0 - no pe/lure
# 7. IMname: name of stimuli
# 8. Resp: source response (learning day/list)
# 9. Corr: source response type. 1-correct, 2-source confusion, 3-intrusion, 0-incorrect
# 10. Conf: source response confidence. 1-4
# 11. aResp: association response
# 12. aConf: association response confidence. 1-4
# 13. Correct: correct response of source memory (List1>D1, List2>D2, List3>new)
# 14. Int: intrusion response of source memory (List2>1)
# 15. err: source confusion response of source memory (List1>2)
# 16. Incorrr: incorrect response of source memory (List1&2>new, List3>day1&2)

table(p3$SN)
## 
##   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16 
## 240 240 240 240 240 240 240 240 240 240 240 240 240 240 240 240
length(unique(p3$SN[p3$Btw==1]))
## [1] 8
length(unique(p3$SN[p3$Btw==2]))
## [1] 8

2.2.1 Day 3 출처 기억 반응 분석

출처 반응의 종속 변인은 주요 종속 변인인 목록 1 정확반응 (List 1 Correct, L1→D1), 목록 2 정확반응 (List 2 Correct, L2→D2), 출처 혼동 (Source Confusion, L1→D2), 침범 (Intrusion, L2→D1) 과 부가적인 변인인 목록 3 정확반응 (List 3 Correct, L3→New), 목록 3 오경보 1과 2 (List 3 False Alarm - Day 1&2, L3→D1&2), 목록 1 & 2 누락 (Miss, L1&2→New)으로 구분되어 분석되었다.

2.2.1.1 출처 반응의 기술통계

두 집단의 물체 목록에 따른 출처 반응 패턴을 표로 나타내었다. List 3 Correct, List 3 False Alarm, List 1&2 Miss는 두 집단 모두에서 천장 효과와 바닥 효과를 보였다. 따라서 이 반응들은 분석에 포함하지 않았다.

# phase 1, subject-level, long-format
p3.AsyPtt.long.all <- p3 %>%  group_by(SN, Btw, cSrc, Resp) %>%
  summarise(Rsp = length(Resp)/80*100) %>% ungroup()
p3.AsyPtt.wide.all <- p3.AsyPtt.long.all %>% spread(key = Resp, value = Rsp)
p3.AsyPtt.long.all <- gather(p3.AsyPtt.wide.all, Resp, Rsp, Day_1:New, factor_key=TRUE)
p3.AsyPtt.long.all[is.na(p3.AsyPtt.long.all)] <- 0 
p3.AsyPtt.long.all <- arrange(p3.AsyPtt.long.all, SN, cSrc, Resp, Rsp)
p3.AsyPtt.long.exp <- p3.AsyPtt.long.all %>% filter(Btw==1)
p3.AsyPtt.long.con <- p3.AsyPtt.long.all %>% filter(Btw==2)

# wide format
p3.AsyPtt.swide.all <- p3.AsyPtt.long.all %>% spread(key = Resp, value = Rsp)
p3.AsyPtt.swide.exp <- p3.AsyPtt.swide.all %>% filter(Btw==1)
p3.AsyPtt.swide.con <- p3.AsyPtt.swide.all %>% filter(Btw==2)

# summary table
p3.AsyPtt.g.all <- p3.AsyPtt.long.all %>% group_by(Btw, cSrc, Resp) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all$Rsp.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all, measurevar = "Rsp", idvar = "SN", 
                                                 betweenvars = "Btw", withinvars = c("cSrc","Resp"))$se
p3.AsyPtt.g.all$Rsp.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all, measurevar = "Rsp", idvar = "SN", 
                                                 betweenvars = "Btw", withinvars = c("cSrc","Resp"))$ci
p3.AsyPtt.g.exp <- p3.AsyPtt.g.all %>% filter(Btw==1)
p3.AsyPtt.g.con <- p3.AsyPtt.g.all %>% filter(Btw==2)

p3.AsyPtt.g.table <- p3.AsyPtt.g.all %>% unite(cSrc_Resp, cSrc:Resp, remove=TRUE) %>% rename(Src_Resp = "cSrc_Resp")
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_1_Day_1'] <- 'List 1 Correct'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_2_Day_2'] <- 'List 2 Correct'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_1_Day_2'] <- 'Source Confusion'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_2_Day_1'] <- 'Intrusion'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_1_Day_3'] <- 'List 1 Miss'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_2_Day_3'] <- 'List 2 Miss'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_3_New'] <- 'List 3 Correct'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_3_Day_1'] <- 'List 3 FA - Day 1'
p3.AsyPtt.g.table$Src_Resp[p3.AsyPtt.g.table$Src_Resp=='List_3_Day_2'] <- 'List 3 FA - Day 2'
srt <- c(1, 3, 5, 4, 2, 6, 8, 9, 7)
p3.AsyPtt.g.table.1 <- p3.AsyPtt.g.table %>% filter(Btw == 1) %>% arrange(srt)
p3.AsyPtt.g.table.2 <- p3.AsyPtt.g.table %>% filter(Btw == 2) %>% arrange(srt)
p3.AsyPtt.g.table.all <- rbind(p3.AsyPtt.g.table.1, p3.AsyPtt.g.table.2)
p3.AsyPtt.g.table.all %>% kable(digits=2)

Btw	Src_Resp	Rsp.M	Rsp.SD	Rsp.se	Rsp.ci
1	List 1 Correct	78.44	8.09	3.04	7.18
1	List 2 Correct	66.09	9.90	3.71	8.78
1	Source Confusion	18.59	7.92	2.97	7.02
1	Intrusion	31.56	8.73	3.27	7.74
1	List_1_New	2.97	1.33	0.50	1.18
1	List_2_New	2.34	1.70	0.64	1.50
1	List 3 Correct	96.88	4.01	1.50	3.55
1	List 3 FA - Day 1	2.03	3.40	1.28	3.02
1	List 3 FA - Day 2	1.09	1.41	0.53	1.25
2	List 1 Correct	78.28	6.12	2.30	5.43
2	List 2 Correct	74.22	9.21	3.45	8.17
2	Source Confusion	18.75	5.43	2.04	4.81
2	Intrusion	22.97	7.56	2.83	6.70
2	List_1_New	2.97	3.34	1.25	2.96
2	List_2_New	2.81	2.48	0.93	2.20
2	List 3 Correct	98.28	4.38	1.64	3.88
2	List 3 FA - Day 1	1.56	3.94	1.48	3.49
2	List 3 FA - Day 2	0.16	0.44	0.17	0.39

2.2.1.2 출처 반응의 비대칭적 패턴

두 집단의 물체 목록에 따른 출처 반응 패턴을 그래프로 나타내었다. 그래프에서 A는 전체 집단의 물체 목록에 따른 출처 반응, B는 실험 집단, C는 통제집단을 나타낸다. A 그래프에서 x축은 물체 목록에 따른 출처 반응, y축은 반응 비율을 나타내며, 색은 각 집단을 나타낸다. B,C 그래프의 x축은 각 학습일에 학습한 물체 목록(첫째 날 학습 목록 1, 둘째 날 학습 목록 2, 새로운 물체 목록 3)을 나타내며, y축은 반응의 비율을 나타낸다. 각 집단에서 해당 물체 목록에 대한 출처 귀인 반응을 첫째 날 학습 Day 1, 둘째 날 학습 Day 2, 학습하지 않음 New로 구분하였다. 모든 그래프에서 빨간 점은 평균을 나타내며, 오차 막대는 95% 신뢰구간으로 표시하였다.

## plot
p3.all.plot1 <- ggplot(data=p3.AsyPtt.long.all, aes(x=Resp, y=Rsp, fill=Btw)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .9, width = 0.8, colour="black", size = 1.02) +
  geom_pointrange(data=p3.AsyPtt.g.all, aes(x = Resp, y=Rsp.M, ymin = Rsp.M-Rsp.ci, ymax = Rsp.M+Rsp.ci),
                  position = position_dodge(0.80), color = "darkred", size = 1, show.legend = FALSE) +
  facet_grid(.~cSrc, scales="free_x", space = "free",
             labeller = labeller(cSrc = c("List_1" = "List 1 (Day 1)","List_2" = "List 2 (Day 2)","List_3" = "List 3 (New)"))) +
  scale_x_discrete(labels=c("Day 1","Day 2","New")) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"),
                    labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Source Response by Object List", y = "Proportion of Response (%)", fill ="Group") +
  # ggtitle("Source Memory Response") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        strip.text.x = element_text(face = "plain", size = 15, color = "black"),
        strip.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border = element_blank(),
        panel.spacing=unit(1, "lines"),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        # plot.title = element_text(hjust = 0.5),
        legend.position="top")
p3.exp.plot1 <- ggplot(data=p3.AsyPtt.long.exp, aes(x=cSrc, y=Rsp, fill=Resp)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=cSrc, y=Rsp, group=Resp, color = SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1-.22, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_1")$"Day_1",
                   xend=1, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_1")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_1")$"Day_2",
                   xend=1+.22, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_1")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2-.22, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_2")$"Day_1",
                   xend=2, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_2")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_2")$"Day_2",
                   xend=2+.22, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_2")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_3"), inherit.aes = FALSE,
               aes(x=3-.22, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_3")$"Day_1",
                   xend=3, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_3")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.exp,cSrc=="List_3"), inherit.aes = FALSE,
               aes(x=3, y=filter(p3.AsyPtt.swide.exp,cSrc=="List_3")$"Day_2",
                   xend=3+.22, yend=filter(p3.AsyPtt.swide.exp,cSrc=="List_3")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_pointrange(data=p3.AsyPtt.g.exp, aes(x = cSrc, y = Rsp.M, ymin = Rsp.M-Rsp.ci, ymax = Rsp.M+Rsp.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#56b4e9", "#e69f00", "#ff6164"),
                    labels = c("Day 1", "Day 2", "New")) +
  scale_x_discrete(labels = c("List 1", "List 2", "List 3")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Object List", y = "Proportion of Response (%)", fill ="Attribution") +
  # ggtitle("Source Memory Response (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")
p3.con.plot1 <- ggplot(data=p3.AsyPtt.long.con, aes(x=cSrc, y=Rsp, fill=Resp)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=cSrc, y=Rsp, group=Resp, color = SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1-.22, y=filter(p3.AsyPtt.swide.con,cSrc=="List_1")$"Day_1",
                   xend=1, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_1")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1, y=filter(p3.AsyPtt.swide.con,cSrc=="List_1")$"Day_2",
                   xend=1+.22, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_1")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2-.22, y=filter(p3.AsyPtt.swide.con,cSrc=="List_2")$"Day_1",
                   xend=2, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_2")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2, y=filter(p3.AsyPtt.swide.con,cSrc=="List_2")$"Day_2",
                   xend=2+.22, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_2")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_3"), inherit.aes = FALSE,
               aes(x=3-.22, y=filter(p3.AsyPtt.swide.con,cSrc=="List_3")$"Day_1",
                   xend=3, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_3")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.swide.con,cSrc=="List_3"), inherit.aes = FALSE,
               aes(x=3, y=filter(p3.AsyPtt.swide.con,cSrc=="List_3")$"Day_2",
                   xend=3+.22, yend=filter(p3.AsyPtt.swide.con,cSrc=="List_3")$"New", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_pointrange(data=p3.AsyPtt.g.con, aes(x = cSrc, y=Rsp.M, ymin = Rsp.M-Rsp.ci, ymax = Rsp.M+Rsp.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#56b4e9", "#e69f00", "#ff6164"),
                    labels = c("Day 1", "Day 2", "New")) +
  scale_x_discrete(labels = c("List 1", "List 2", "List 3")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Object List", y = "Proportion of Response (%)", fill ="Attribution") +
  # ggtitle("Source Memory Response (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")

ggpubr::ggarrange(p3.all.plot1, labels = "A) All Group",
          ggpubr::ggarrange(p3.exp.plot1, p3.con.plot1, ncol = 2, labels = c("B) Experimental", "C) Control")), 
          nrow = 2) 

2.2.1.2.1 목록 1, 목록 2의 출처 반응 오류 분석

2.2.1.2.1.1 혼합 요인 분산 분석

기억 갱신을 나타내는 비대칭적 출처 반응 패턴을 살펴보기 위해, 목록 1과 목록 2에서 학습 출처를 잘못 반응한 경우를 살펴보았다. Source Confusion (L1>D2) 과 Intrusion (L2>D1)에서 집단 간, 집단 내의 차이를 분석하기 위해 집단과 물체 목록에서의 출처 오류를 요인으로 한 2 X 2 혼합 요인 분산분석을 수행하였다.

# List 1 & 2 Incorrect Source Response
p3.AsyPtt.long.all.2 <- p3.AsyPtt.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp")
p3.AsyPtt.long.all.2$sResp <- factor(p3.AsyPtt.long.all.2$sResp)
p3.AsyPtt.long.all.2 <- p3.AsyPtt.long.all.2 %>% filter(sResp %in% c("List_1_Day_2", "List_2_Day_1"))
# p3.AsyPtt.long.all.2 %>% kable(digits=3)

p3.AsyPtt.g.all.2 <- p3.AsyPtt.long.all.2 %>% group_by(Btw, sResp) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all.2$Rsp.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.2, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$se
p3.AsyPtt.g.all.2$Rsp.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.2, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$ci
p3.AsyPtt.g.all.2 %>% kable(digit=2)

Btw	sResp	Rsp.M	Rsp.SD	Rsp.se	Rsp.ci
1	List_1_Day_2	18.59	7.92	1.93	4.56
1	List_2_Day_1	31.56	8.73	1.93	4.56
2	List_1_Day_2	18.75	5.43	1.26	2.98
2	List_2_Day_1	22.97	7.56	1.26	2.98

p3.AsyPtt.all.2.aov <- aov_ez(id = "SN", dv = "Rsp", data = p3.AsyPtt.long.all.2, between = "Btw", within = "sResp")
anova(p3.AsyPtt.all.2.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	75.042	1.897	0.119	0.190
sResp	1	14	37.709	15.668	0.528	0.001
Btw:sResp	1	14	37.709	4.061	0.225	0.064

분석 결과, 출처 반응의 주효과가 유의하였다. 집단의 주효과와 집단과 출처 반응의 상호작용은 유의하지 않았다. 잠정적인 패턴을 살펴보기 위해, 각 집단 내의 출처 오류와 집단 간의 출처 오류 차이를 살펴보았다.

# source response contrast
p3.AsyPtt.m2.1.all <- emmeans(p3.AsyPtt.all.2.aov, pairwise ~ sResp | Btw, type = "response")
p3.AsyPtt.m2.1.all$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
List_1_Day_2 - List_2_Day_1	1	-12.969	3.07	14	-4.224	0.001
List_1_Day_2 - List_2_Day_1	2	-4.219	3.07	14	-1.374	0.191

# group contrast
p3.AsyPtt.m2.2.all <- emmeans(p3.AsyPtt.all.2.aov, pairwise ~ Btw | sResp, type = "response")
p3.AsyPtt.m2.2.all$contrasts %>% kable(digits=3)

contrast	sResp	estimate	SE	df	t.ratio	p.value
1 - 2	List_1_Day_2	-0.156	3.394	14	-0.046	0.964
1 - 2	List_2_Day_1	8.594	4.083	14	2.105	0.054

출처 반응에 따른 사후 분석을 수행한 결과, 실험 집단에서 Source Confusion (L1>D2)이 Intrusion (L2>D1)보다 유의하게 낮은 비대칭적 출처 오귀인 패턴을 보였다. 통제 집단에서는 Source Confusion (L1>D2)과 Intrusion (L2>D1)`의 차이가 유의하지 않았다. 각 출처 반응에서 집단 간의 차이에 대한 사후 분석 결과, 실험 집단이 통제 집단 간의 Intrusion (L2>D1)** 차이는 유의하였다. 그러나 분산 분석에서 집단과 출처 반응 간의 상호작용이 유의하지 않았었다는 점을 고려할 필요가 있다.

2.2.1.2.2 목록 1, 목록 2 출처 반응 정확도

2.2.1.2.2.1 혼합 요인 분산 분석

목록 1, 목록 2의 출처 반응 정확도에서 집단과 출처 반응에 따른 차이를 분석하였다. 참가자 간 변인인 집단과 참가자 내 변인인 출처 반응을 요인으로 한 2 X 2 혼합 요인 분산분석을 수행하였다.

# List 1 & 2 & 3 Correct Source Response
p3.AsyPtt.long.all.1 <- p3.AsyPtt.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp") 
p3.AsyPtt.long.all.1$sResp <- factor(p3.AsyPtt.long.all.1$sResp)
p3.AsyPtt.long.all.1 <- p3.AsyPtt.long.all.1 %>% filter(sResp %in% c("List_1_Day_1", "List_2_Day_2"))
# p3.AsyPtt.long.all.1 %>% kable(digits=3)

p3.AsyPtt.g.all.1 <- p3.AsyPtt.long.all.1 %>% group_by(Btw, sResp) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all.1$Rsp <- p3.AsyPtt.g.all.1$Rsp.M
p3.AsyPtt.g.all.1$Rsp.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.1, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$se
p3.AsyPtt.g.all.1$Rsp.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.1, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$ci

p3.AsyPtt.g.all.1 %>% kable(digit=2)

Btw	sResp	Rsp.M	Rsp.SD	Rsp	Rsp.se	Rsp.ci
1	List_1_Day_1	78.44	8.09	78.44	2.14	5.07
1	List_2_Day_2	66.09	9.90	66.09	2.14	5.07
2	List_1_Day_1	78.28	6.12	78.28	1.04	2.46
2	List_2_Day_2	74.22	9.21	74.22	1.04	2.46

p3.AsyPtt.all.1.aov <- aov_ez(id = "SN", dv = "Rsp", data = p3.AsyPtt.long.all.1, between = "Btw", within = "sResp")
anova(p3.AsyPtt.all.1.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	102.560	1.238	0.081	0.285
sResp	1	14	40.311	13.354	0.488	0.003
Btw:sResp	1	14	40.311	3.402	0.196	0.086

분석 결과, 출처 반응의 주효과가 유의하였다. 집단의 주효과와 집단과 출처 반응의 상호작용은 유의하지 않았다.

p3.AsyPtt.m1.1.all <- emmeans(p3.AsyPtt.all.1.aov, pairwise ~ sResp | Btw, type = "response")
p3.AsyPtt.m1.1.all$contrasts %>% kable(digit=2)

contrast	Btw	estimate	SE	df	t.ratio	p.value
List_1_Day_1 - List_2_Day_2	1	12.34	3.17	14	3.89	0.00
List_1_Day_1 - List_2_Day_2	2	4.06	3.17	14	1.28	0.22

# group contrast
p3.AsyPtt.m1.2.all <- emmeans(p3.AsyPtt.all.1.aov, pairwise ~ Btw | sResp, type = "response")
p3.AsyPtt.m1.2.all$contrasts %>% kable(digits=3)

contrast	sResp	estimate	SE	df	t.ratio	p.value
1 - 2	List_1_Day_1	0.156	3.588	14	0.044	0.966
1 - 2	List_2_Day_2	-8.125	4.780	14	-1.700	0.111

각 집단에서 출처 반응에 따른 사후 분석 결과, 실험 집단에서 List 1 Correct는 List 2 Correct보다 유의하게 높은 정확도를 보였다. 각 출처 반응에서 집단 간의 차이를 사후 분석한 결과, 모든 비교에서 유의한 차이가 나타나지 않았다.

2.2.1.2.3 기타 분석

2.2.1.2.3.1 목록 1, 목록 2의 누락 출처 반응

두 집단에서 List 1 Miss와 List 2 Miss의 차이를 분석하기 위해 집단과 반응을 요인으로한 2 X 2 혼합 요인 분산 분석을 수행하였다.

# List 1 & 2 Error
p3.AsyPtt.long.all.3 <- p3.AsyPtt.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp")
p3.AsyPtt.long.all.3$sResp <- factor(p3.AsyPtt.long.all.3$sResp)
p3.AsyPtt.long.all.3 <- p3.AsyPtt.long.all.3 %>% filter(sResp %in% c("List_1_New", "List_2_New"))

p3.AsyPtt.g.all.3 <- p3.AsyPtt.long.all.3 %>% group_by(Btw, sResp) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all.3$Rsp <- p3.AsyPtt.g.all.2$Rsp.M
p3.AsyPtt.g.all.3$Rsp.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.3, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$se
p3.AsyPtt.g.all.3$Rsp.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.3, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$ci
p3.AsyPtt.g.all.3 %>% kable(digit=2)

Btw	sResp	Rsp.M	Rsp.SD	Rsp	Rsp.se	Rsp.ci
1	List_1_New	2.97	1.33	18.59	0.43	1.03
1	List_2_New	2.34	1.70	31.56	0.43	1.03
2	List_1_New	2.97	3.34	18.75	0.40	0.96
2	List_2_New	2.81	2.48	22.97	0.40	0.96

p3.AsyPtt.all.3.aov <- aov_ez(id = "SN", dv = "Rsp", data = p3.AsyPtt.long.all.3, between = "Btw", within = "sResp")
anova(p3.AsyPtt.all.3.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	8.447	0.052	0.004	0.823
sResp	1	14	2.504	0.487	0.034	0.496
Btw:sResp	1	14	2.504	0.175	0.012	0.682

분석 결과, 모든 효과가 유의하지 않았다.

2.2.1.2.3.2 목록 3 정확반응

두 집단 간의 List 3 Correct를 비교하였다.

# List 3 Correct
p3.AsyPtt.long.all.4 <- p3.AsyPtt.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp")
p3.AsyPtt.long.all.4$sResp <- factor(p3.AsyPtt.long.all.4$sResp)
p3.AsyPtt.long.all.4 <- p3.AsyPtt.long.all.4 %>% filter(sResp %in% c("List_3_New"))

p3.AsyPtt.g.all.4 <- p3.AsyPtt.long.all.4 %>% group_by(Btw) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all.4$Rsp.se <- Rmisc::summarySE(data = p3.AsyPtt.long.all.4, 
                                                   measurevar = "Rsp", groupvars = "Btw")$se
p3.AsyPtt.g.all.4$Rsp.ci <- Rmisc::summarySE(data = p3.AsyPtt.long.all.4, 
                                                   measurevar = "Rsp", groupvars = "Btw")$ci
p3.AsyPtt.g.all.4 %>% kable(digit=2)

Btw	Rsp.M	Rsp.SD	Rsp.se	Rsp.ci
1	96.88	4.01	1.42	3.35
2	98.28	4.38	1.55	3.66

p3.AsyPtt.all.4.aov <- aov_ez(id = "SN", dv = "Rsp", data = p3.AsyPtt.long.all.4, between = "Btw")
anova(p3.AsyPtt.all.4.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	17.62	0.449	0.031	0.514

분석 결과, List 3 Correct에서 두 집단 간의 차이는 유의하지 않았다.

2.2.1.2.3.3 목록 3에서의 오경보

List 3 FA - Day 1과 List 3 FA - Day 2에서 집단과 출처 반응을 요인으로 한 2 X 2 혼합 요인 분산 분석을 수행하였다.

# List 3 Incorrect Source Response 
p3.AsyPtt.long.all.5 <- p3.AsyPtt.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp")
p3.AsyPtt.long.all.5$sResp <- factor(p3.AsyPtt.long.all.5$sResp)
p3.AsyPtt.long.all.5 <- p3.AsyPtt.long.all.5 %>% filter(sResp %in% c("List_3_Day_1", "List_3_Day_2"))

p3.AsyPtt.g.all.5 <- p3.AsyPtt.long.all.5 %>% group_by(Btw, sResp) %>%
  summarise(Rsp.M = mean(Rsp), Rsp.SD = sd(Rsp)) %>% ungroup()
p3.AsyPtt.g.all.5$Rsp.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.5, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$se
p3.AsyPtt.g.all.5$Rsp.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.long.all.5, idvar = "SN",
                                                   measurevar = "Rsp", betweenvars = "Btw", withinvars = "sResp")$ci
p3.AsyPtt.g.all.5 %>% kable(digit=2)

Btw	sResp	Rsp.M	Rsp.SD	Rsp.se	Rsp.ci
1	List_3_Day_1	2.03	3.40	0.62	1.47
1	List_3_Day_2	1.09	1.41	0.62	1.47
2	List_3_Day_1	1.56	3.94	0.66	1.55
2	List_3_Day_2	0.16	0.44	0.66	1.55

p3.AsyPtt.all.5.aov <- aov_ez(id = "SN", dv = "Rsp", data = p3.AsyPtt.long.all.5, between = "Btw", within = "sResp")
anova(p3.AsyPtt.all.5.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	8.810	0.449	0.031	0.514
sResp	1	14	5.824	1.886	0.119	0.191
Btw:sResp	1	14	5.824	0.075	0.005	0.788

분석 결과, 모든 효과가 유의하지 않았다.

2.2.1.3 예측 오류 정도와 기억 갱신 효과의 관계 - 조건

2.2.1.3.1 목록 1 정확 반응

각 집단과 예측 오류 조건에서 List 1 Correct의 차이가 있는지 확인하기 위해 각 조건에 대한 정확도 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 신뢰구간을 표시한다.

## List 1 Correct Response
# long format
p3.Acc.long.all.1 <- p3 %>% filter(cSrc == "List_1", cPE != "pe0") %>% group_by(SN, Btw, cPE) %>% 
  summarise(Acc = mean(Correct)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Acc.long.exp.1 <- p3.Acc.long.all.1 %>% filter(Btw==1)
p3.Acc.long.con.1 <- p3.Acc.long.all.1 %>% filter(Btw==2)

# wide format
p3.Acc.swide.all.1 <- p3.Acc.long.all.1 %>% spread(key = cPE, value = Acc)
p3.Acc.swide.exp.1 <- p3.Acc.swide.all.1 %>% filter(Btw==1)
p3.Acc.swide.con.1 <- p3.Acc.swide.all.1 %>% filter(Btw==2)

# summary
p3.Acc.g.all.1 <- p3.Acc.long.all.1 %>%  group_by(Btw, cPE) %>% 
  summarise(Acc.M = mean(Acc), Acc.SD = sd(Acc)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Acc.g.all.1$Acc.se <- Rmisc::summarySEwithin(data = p3.Acc.long.all.1, measurevar = "Acc", 
                                                idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Acc.g.all.1$Acc.ci <- Rmisc::summarySEwithin(data = p3.Acc.long.all.1, measurevar = "Acc", 
                                                idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Acc.g.exp.1 <- p3.Acc.g.all.1 %>% filter(Btw==1)
p3.Acc.g.con.1 <- p3.Acc.g.all.1 %>% filter(Btw==2)
p3.Acc.g.all.1 %>% kable(digits=2)

Btw	cPE	Acc.M	Acc.SD	Acc.se	Acc.ci
1	pe1	73.12	14.62	2.80	6.63
1	pe2	79.38	8.63	3.11	7.36
1	pe3	81.88	9.23	3.80	8.98
1	pe4	79.38	10.16	1.26	2.98
2	pe1	71.88	11.93	3.97	9.40
2	pe2	76.88	7.53	1.95	4.61
2	pe3	77.50	10.00	3.32	7.85
2	pe4	86.88	8.43	1.95	4.61

## plot
p3.plot2.2.all.1 <- ggplot(p3.Acc.g.all.1, mapping=aes(x=cPE, y=Acc.M, group=Btw)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci, fill=Btw), alpha=0.5) + 
  geom_line(p3.Acc.g.all.1, mapping = aes(x=cPE, y=Acc.M, color = Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, y = Acc.M, ymin=Acc.M, ymax=Acc.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 1 Correct (%)", fill = 'Group') +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 Correct Source Memory") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")

p3.plot2.2.exp.1 <- ggplot(p3.Acc.g.exp.1, mapping=aes(x=cPE, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Acc.M, ymax=Acc.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.long.exp.1, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Acc, group=SN, color=SN)) +
  geom_point(p3.Acc.long.exp.1, mapping = aes(x=cPE, y=Acc, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 1 Correct (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 Source Memory (L1>D1; Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))

p3.plot2.2.con.1 <- ggplot(p3.Acc.g.con.1, mapping=aes(x=cPE, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Acc.M, ymax=Acc.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.long.con.1, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Acc, group=SN, color=SN)) +
  geom_point(p3.Acc.long.con.1, mapping = aes(x=cPE, y=Acc, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 1 Correct (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 Source Memory (L1>D1; Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.plot2.2.all.1, p3.plot2.2.exp.1, p3.plot2.2.con.1, ncol=3, labels = c("A) All Group", "B) Experimental", "C) Control")) 

집단과 예측 오류 조건을 요인으로한 2 X 3 혼합 요인 분산분석을 수행하였다.

p3.Acc.all.aov.1 <- aov_ez(id = "SN", dv = "Acc", data = p3.Acc.long.all.1, between = "Btw", within = "cPE")
anova(p3.Acc.all.aov.1, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	205.971	0.002	0.000	0.966
cPE	2.127	29.771	102.263	4.331	0.236	0.021
Btw:cPE	2.127	29.771	102.263	1.529	0.098	0.233

분석 결과, 예측 오류의 주효과가 유의하였다.

p3.Acc.all.aov.1.ph1 <- emmeans(p3.Acc.all.aov.1, pairwise ~ cPE | Btw, type = "response")
p3.Acc.all.aov.1.ph1$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
pe1 - pe2	1	-6.250	4.159	14	-1.503	0.462
pe1 - pe3	1	-8.750	5.677	14	-1.541	0.441
pe1 - pe4	1	-6.250	3.939	14	-1.587	0.417
pe2 - pe3	1	-2.500	4.838	14	-0.517	0.954
pe2 - pe4	1	0.000	2.835	14	0.000	1.000
pe3 - pe4	1	2.500	3.500	14	0.714	0.890
pe1 - pe2	2	-5.000	4.159	14	-1.202	0.636
pe1 - pe3	2	-5.625	5.677	14	-0.991	0.757
pe1 - pe4	2	-15.000	3.939	14	-3.808	0.009
pe2 - pe3	2	-0.625	4.838	14	-0.129	0.999
pe2 - pe4	2	-10.000	2.835	14	-3.528	0.016
pe3 - pe4	2	-9.375	3.500	14	-2.679	0.076

p3.Acc.all.aov.1.ph2 <- emmeans(p3.Acc.all.aov.1, pairwise ~ Btw | cPE, type = "response")
p3.Acc.all.aov.1.ph2$contrasts %>% kable(digits=3)

contrast	cPE	estimate	SE	df	t.ratio	p.value
1 - 2	pe1	1.250	6.673	14	0.187	0.854
1 - 2	pe2	2.500	4.050	14	0.617	0.547
1 - 2	pe3	4.375	4.812	14	0.909	0.379
1 - 2	pe4	-7.500	4.665	14	-1.608	0.130

집단에서 예측 오류에 따른 List 1 Correct 분석 결과, 통제집단에서 PE 4 조건은 PE 1 조건보다 유의하게 높은 List 1 Correct 수준을 보였다.

2.2.1.3.2 목록 1 출처 혼동

Source Confusion에서 집단과 예측 오류 조건에 따른 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 빨간 리본은 95% 신뢰구간을 나타낸다.

## List 1 Source Confusion
# long format
p3.Err.long.all <- p3 %>% filter(cSrc == "List_1", cPE != "pe0") %>% group_by(SN, Btw, cPE) %>% 
  summarise(Error = mean(Err)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Err.wide.all <- p3.Err.long.all %>% spread(key = cPE, value = Error)
p3.Err.long.all <- gather(p3.Err.wide.all, cPE, Error, pe1:pe4, factor_key=TRUE)
p3.Err.long.all[is.na(p3.Err.long.all)] <- 0 
p3.Err.long.all <- arrange(p3.Err.long.all, SN, Btw, Error)
p3.Err.long.exp <- p3.Err.long.all %>% filter(Btw==1)
p3.Err.long.con <- p3.Err.long.all %>% filter(Btw==2)

# wide format
p3.Err.swide.all <- p3.Err.long.all %>% spread(key = cPE, value = Error)
p3.Err.swide.exp <- p3.Err.swide.all %>% filter(Btw==1)
p3.Err.swide.con <- p3.Err.swide.all %>% filter(Btw==2)

# summary
p3.Err.g.all <- p3.Err.long.all %>%  group_by(Btw, cPE) %>% 
  summarise(Err.M = mean(Error), Err.SD = sd(Error)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Err.g.all$Err.se <- Rmisc::summarySEwithin(data = p3.Err.long.all, measurevar = "Error", 
                                              idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Err.g.all$Err.ci <- Rmisc::summarySEwithin(data = p3.Err.long.all, measurevar = "Error", 
                                              idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Err.g.exp <- p3.Err.g.all %>% filter(Btw==1)
p3.Err.g.con <- p3.Err.g.all %>% filter(Btw==2)
p3.Err.g.all %>% kable(digits=2)

Btw	cPE	Err.M	Err.SD	Err.se	Err.ci
1	pe1	26.25	13.02	2.61	6.17
1	pe2	18.12	9.98	3.33	7.87
1	pe3	15.00	10.69	4.19	9.92
1	pe4	15.00	10.00	1.82	4.30
2	pe1	26.25	9.91	3.56	8.41
2	pe2	19.38	6.78	1.91	4.52
2	pe3	17.50	6.55	2.15	5.08
2	pe4	11.88	9.23	2.20	5.20

## plot 
p3.plot2.3.all.1 <- ggplot(p3.Err.g.all, mapping=aes(x=cPE, y=Err.M, group=Btw)) + 
  geom_ribbon(aes(ymin=Err.M-Err.ci, ymax=Err.M+Err.ci, fill=Btw), alpha=0.5) + 
  geom_line(p3.Err.g.all, mapping = aes(x=cPE, y=Err.M, color = Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, y = Err.M, ymin=Err.M, ymax=Err.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Source Confusion (%)", fill = 'Group') +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 Source Confusion") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position="top")

p3.plot2.3.exp <- ggplot(p3.Err.g.exp, mapping=aes(x=cPE, y=Err.M, group=1)) + 
  geom_ribbon(aes(ymin=Err.M-Err.ci, ymax=Err.M+Err.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Err.M, ymax=Err.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Err.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Error, group=SN, color=SN)) +
  geom_point(p3.Err.long.exp, mapping = aes(x=cPE, y=Error, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Source Confusion (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Source Confusions (L1>D2; Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.plot2.3.con <- ggplot(p3.Err.g.con, mapping=aes(x=cPE, y=Err.M, group=1)) + 
  geom_ribbon(aes(ymin=Err.M-Err.ci, ymax=Err.M+Err.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Err.M, ymax=Err.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Err.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Error, group=SN, color=SN)) +
  geom_point(p3.Err.long.con, mapping = aes(x=cPE, y=Error, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Source Confusion (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Source Confusions (L1>D2; Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.plot2.3.all.1, p3.plot2.3.exp, p3.plot2.3.con, ncol=3, labels = c("A) All Group", "B) Experimental", "C) Control")) 

Source Confusion이 집단, 예측 오류 조건에 따라 다른지 살펴보기 위해, 2 X 4 혼합 요인 분산분석을 수행하였다.

p3.Err.all.aov <- aov_ez(id = "SN", dv = "Error", data = p3.Err.long.all, between = "Btw", within = "cPE")
anova(p3.Err.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.00	184.319	0.002	0.000	0.964
cPE	2.494	34.92	77.610	7.496	0.349	0.001
Btw:cPE	2.494	34.92	77.610	0.361	0.025	0.745

분석 결과, 예측 오류 조건의 주효과가 유의하였다.

p3.scnf.m1.all <- emmeans(p3.Err.all.aov, pairwise ~ cPE | Btw, type = "response")
p3.scnf.m1.all$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
pe1 - pe2	1	8.125	4.002	14	2.030	0.224
pe1 - pe3	1	11.250	4.748	14	2.369	0.129
pe1 - pe4	1	11.250	3.849	14	2.923	0.049
pe2 - pe3	1	3.125	4.671	14	0.669	0.907
pe2 - pe4	1	3.125	2.908	14	1.075	0.710
pe3 - pe4	1	0.000	3.625	14	0.000	1.000
pe1 - pe2	2	6.875	4.002	14	1.718	0.351
pe1 - pe3	2	8.750	4.748	14	1.843	0.295
pe1 - pe4	2	14.375	3.849	14	3.735	0.011
pe2 - pe3	2	1.875	4.671	14	0.401	0.977
pe2 - pe4	2	7.500	2.908	14	2.579	0.090
pe3 - pe4	2	5.625	3.625	14	1.552	0.435

p3.scnf.m2.all <- emmeans(p3.Err.all.aov, pairwise ~ Btw | cPE, type = "response")
p3.scnf.m2.all$contrasts %>% kable(digits=3)

contrast	cPE	estimate	SE	df	t.ratio	p.value
1 - 2	pe1	0.000	5.786	14	0.000	1.000
1 - 2	pe2	-1.250	4.265	14	-0.293	0.774
1 - 2	pe3	-2.500	4.432	14	-0.564	0.582
1 - 2	pe4	3.125	4.812	14	0.649	0.527

집단에서 예측 오류에 따른 Source Confusion 차이를 살펴본 겨과, 실험 집단에서 PE 1 조건은 PE 3, PE 4 조건보다 낮은 Source Confusion 수준을 보였다. 통제 집단에서는 PE 1 조건이 PE 4 조건보다 낮은 Source Confusion을 보였다.

2.2.1.3.3 목록 2 정확 반응

List 2 Correct에서 집단과 예측 오류 조건에 따른 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 신뢰구간을 표시한다.

## List 2 Correct Source Memory
# long format
p3.Acc.long.all.2 <- p3 %>% filter(cSrc == "List_2", cPE != "pe0") %>% group_by(SN, Btw, cPE) %>% 
  summarise(Acc = mean(Correct)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Acc.long.exp.2 <- p3.Acc.long.all.2 %>% filter(Btw==1)
p3.Acc.long.con.2 <- p3.Acc.long.all.2 %>% filter(Btw==2)

# wide format
p3.Acc.swide.all.2 <- p3.Acc.long.all.2 %>% spread(key = cPE, value = Acc)
p3.Acc.swide.exp.2 <- p3.Acc.swide.all.2 %>% filter(Btw==1)
p3.Acc.swide.con.2 <- p3.Acc.swide.all.2 %>% filter(Btw==2)

# summary
p3.Acc.g.all.2 <- p3.Acc.long.all.2 %>%  group_by(Btw, cPE) %>% 
  summarise(Acc.M = mean(Acc), Acc.SD = sd(Acc)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Acc.g.all.2$Acc.se <- Rmisc::summarySEwithin(data = p3.Acc.long.all.2, measurevar = "Acc", 
                                                idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Acc.g.all.2$Acc.ci <- Rmisc::summarySEwithin(data = p3.Acc.long.all.2, measurevar = "Acc", 
                                                idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Acc.g.exp.2 <- p3.Acc.g.all.2 %>% filter(Btw==1)
p3.Acc.g.con.2 <- p3.Acc.g.all.2 %>% filter(Btw==2)
p3.Acc.g.all.2 %>% kable(digits=2)

Btw	cPE	Acc.M	Acc.SD	Acc.se	Acc.ci
1	pe1	71.88	7.04	2.06	4.88
1	pe2	55.62	14.00	3.23	7.65
1	pe3	61.88	11.93	1.85	4.37
1	pe4	75.00	12.82	2.63	6.23
2	pe1	73.12	13.35	3.70	8.75
2	pe2	73.75	15.75	5.63	13.32
2	pe3	82.50	16.04	4.78	11.31
2	pe4	67.50	11.65	2.59	6.12

## plot
p3.plot2.2.all.2 <- ggplot(p3.Acc.g.all.2, mapping=aes(x=cPE, y=Acc.M, group=Btw)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci, fill=Btw), alpha=0.5) + 
  geom_line(p3.Acc.g.all.2, mapping = aes(x=cPE, y=Acc.M, color = Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, y = Acc.M, ymin=Acc.M, ymax=Acc.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 2 Correct (%)", fill = 'Group') +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 Correct Source Memory") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")
p3.plot2.2.exp.2 <- ggplot(p3.Acc.g.exp.2, mapping=aes(x=cPE, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Acc.M, ymax=Acc.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.long.exp.2, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Acc, group=SN, color=SN)) +
  geom_point(p3.Acc.long.exp.2, mapping = aes(x=cPE, y=Acc, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 2 Correct (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3","PE 4")) +
  # ggtitle("List 2 Source Memory (L2>D2; Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.plot2.2.con.2 <- ggplot(p3.Acc.g.con.2, mapping=aes(x=cPE, y=Acc.M, group=1)) + 
  geom_ribbon(aes(ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Acc.M, ymax=Acc.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.long.con.2, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Acc, group=SN, color=SN)) +
  geom_point(p3.Acc.long.con.2, mapping = aes(x=cPE, y=Acc, group=SN, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(30, 100), clip = "on") +
  labs(x = "Prediction Error", y = "List 2 Correct (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 Source Memory (L2>D2; Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.plot2.2.all.2, p3.plot2.2.exp.2, p3.plot2.2.con.2, ncol=3, labels = c("A) All Group", "B) Experimental", "C) Control")) 

List 2 Correct에 대하여 집단과 예측 오류 조건을 요인으로한 2 X 4 혼합 요인 분산분석을 수행하였다.

p3.Acc2.all.aov <- aov_ez(id = "SN", dv = "Acc", data = p3.Acc.long.all.2, between = "Btw", within = "cPE")
anova(p3.Acc2.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	365.513	2.890	0.171	0.111
cPE	2.202	30.834	145.387	2.035	0.127	0.144
Btw:cPE	2.202	30.834	145.387	6.841	0.328	0.003

분석 결과, 집단과 예측 오류의 상호작용이 유의하였다.

p3.Acc2.m1.all <- emmeans(p3.Acc2.all.aov, pairwise ~ cPE | Btw, type = "response")
p3.Acc2.m1.all$contrasts %>% kable(digits = 3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
pe1 - pe2	1	16.250	5.637	14	2.883	0.052
pe1 - pe3	1	10.000	4.454	14	2.245	0.159
pe1 - pe4	1	-3.125	4.139	14	-0.755	0.873
pe2 - pe3	1	-6.250	6.830	14	-0.915	0.797
pe2 - pe4	1	-19.375	5.395	14	-3.592	0.014
pe3 - pe4	1	-13.125	3.949	14	-3.323	0.023
pe1 - pe2	2	-0.625	5.637	14	-0.111	0.999
pe1 - pe3	2	-9.375	4.454	14	-2.105	0.199
pe1 - pe4	2	5.625	4.139	14	1.359	0.543
pe2 - pe3	2	-8.750	6.830	14	-1.281	0.589
pe2 - pe4	2	6.250	5.395	14	1.159	0.661
pe3 - pe4	2	15.000	3.949	14	3.798	0.009

p3.Acc2.m1.all.2 <- emmeans(p3.Acc2.all.aov, pairwise ~ Btw | cPE, type = "response")
p3.Acc2.m1.all.2$contrasts %>% kable(digits = 3)

contrast	cPE	estimate	SE	df	t.ratio	p.value
1 - 2	pe1	-1.250	5.335	14	-0.234	0.818
1 - 2	pe2	-18.125	7.451	14	-2.432	0.029
1 - 2	pe3	-20.625	7.067	14	-2.918	0.011
1 - 2	pe4	7.500	6.124	14	1.225	0.241

사후 분석 결과, 실험 집단에서 PE 1 조건이 PE 2 조건보다 유의하게 높은 List 2 Correct 수준을 보이는 것으로 나타났다. 또한, PE 2보다 PE 4 조건이 더 높은 List 2 Correct을 보였다. 통제 집단에서는 PE 3 조건이 PE 4 조건보다 높은 List 2 Correct 수준을 보였다. 각 예측 오류 조건에서 두 집단 차이를 살펴본 결과, PE 2와 PE 3에서 통제 집단이 실험 집단보다 우수한 것으로 나타났다.

2.2.1.3.4 목록 2 침범

Intrusion의 집단과 예측 오류 조건에 따른 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 빨간 리본은 95% 신뢰구간을 나타낸다.

## List 2 Intrusion
# long format
p3.Intru.long.all <- p3 %>% filter(cSrc == "List_2", cPE != "pe0") %>% group_by(SN, Btw, cPE) %>%
  dplyr::summarise(Intrusion = mean(Int)*100) %>% 
  ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Intru.long.exp <- p3.Intru.long.all %>% filter(Btw==1)
p3.Intru.long.con <- p3.Intru.long.all %>% filter(Btw==2)

# wide format
p3.Intru.swide.all <- p3.Intru.long.all %>% spread(key = cPE, value = Intrusion)
p3.Intru.swide.exp <- p3.Intru.swide.all %>% filter(Btw==1)
p3.Intru.swide.con <- p3.Intru.swide.all %>% filter(Btw==2)

# summary
p3.Intru.g.all <- p3.Intru.long.all %>%  group_by(Btw, cPE) %>% 
  dplyr::summarise(Intru.M = mean(Intrusion), Intru.SD = sd(Intrusion)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Intru.g.all$Intru.se <- Rmisc::summarySEwithin(data = p3.Intru.long.all, measurevar = "Intrusion", 
                                                  idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Intru.g.all$Intru.ci <- Rmisc::summarySEwithin(data = p3.Intru.long.all, measurevar = "Intrusion", 
                                                  idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Intru.g.exp <- p3.Intru.g.all %>% filter(Btw==1)
p3.Intru.g.con <- p3.Intru.g.all %>% filter(Btw==2)
p3.Intru.g.all %>% kable(digits=2)

Btw	cPE	Intru.M	Intru.SD	Intru.se	Intru.ci
1	pe1	24.38	7.29	2.06	4.87
1	pe2	41.25	11.57	3.00	7.09
1	pe3	37.50	12.25	2.34	5.54
1	pe4	23.12	10.67	2.02	4.79
2	pe1	23.12	9.98	2.67	6.32
2	pe2	23.12	14.13	5.43	12.84
2	pe3	16.88	14.62	4.22	9.98
2	pe4	28.75	9.91	2.32	5.48

## plot
p3.plot2.1.all <- ggplot(p3.Intru.g.all, mapping=aes(x=cPE, y=Intru.M, group=Btw)) + 
  geom_ribbon(aes(ymin=Intru.M-Intru.ci, ymax=Intru.M+Intru.ci, fill=Btw), alpha=0.5) + 
  geom_line(p3.Intru.g.all, mapping = aes(x=cPE, y=Intru.M, color = Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, y = Intru.M, ymin=Intru.M, ymax=Intru.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Intrusion (%)", fill = 'Group') +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 Intrusion") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")

p3.plot2.1.exp <- ggplot(p3.Intru.g.exp, mapping=aes(x=cPE, y=Intru.M, group=1)) + 
  geom_ribbon(aes(ymin=Intru.M-Intru.ci, ymax=Intru.M+Intru.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Intru.M, ymax=Intru.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Intru.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Intrusion, group=SN, color=SN)) +
  geom_point(p3.Intru.long.exp, mapping = aes(x=cPE, y=Intrusion, group=SN, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Intrusion (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Intrusion (L2>D1; Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.plot2.1.con <- ggplot(p3.Intru.g.con, mapping=aes(x=cPE, y=Intru.M, group=1)) + 
  geom_ribbon(aes(ymin=Intru.M-Intru.ci, ymax=Intru.M+Intru.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=Intru.M, ymax=Intru.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Intru.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=Intrusion, group=SN, color=SN)) +
  geom_point(p3.Intru.long.con, mapping = aes(x=cPE, y=Intrusion, group=SN, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, 80), clip = "on") +
  labs(x = "Prediction Error", y = "Intrusion (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Intrusion (L2>D1; Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.plot2.1.all, p3.plot2.1.exp, p3.plot2.1.con, ncol=3, labels = c("A) All Group", "B) Experimental", "C) Control")) 

Intrusion에 대하여 집단과 예측 오류 조건을 요인으로 하는 2 X 4 혼합 요인 분산분석으로 수행하였다.

p3.Intru.all.aov <- aov_ez(id = "SN", dv = "Intrusion", data = p3.Intru.long.all, between = "Btw", within = "cPE")
anova(p3.Intru.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	266.685	4.431	0.240	0.054
cPE	1.769	24.769	149.412	2.322	0.142	0.124
Btw:cPE	1.769	24.769	149.412	7.440	0.347	0.004

분석 결과, 집단과 예측 오류 조건의 상호 작용은 유의하였다.

p3.Intru.m1.all <- emmeans(p3.Intru.all.aov, pairwise ~ cPE | Btw, type = "response")
p3.Intru.m1.all$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
pe1 - pe2	1	-16.875	5.258	14	-3.209	0.029
pe1 - pe3	1	-13.125	3.320	14	-3.954	0.007
pe1 - pe4	1	1.250	3.547	14	0.352	0.984
pe2 - pe3	1	3.750	6.731	14	0.557	0.943
pe2 - pe4	1	18.125	4.647	14	3.900	0.008
pe3 - pe4	1	14.375	3.743	14	3.841	0.009
pe1 - pe2	2	0.000	5.258	14	0.000	1.000
pe1 - pe3	2	6.250	3.320	14	1.883	0.279
pe1 - pe4	2	-5.625	3.547	14	-1.586	0.417
pe2 - pe3	2	6.250	6.731	14	0.928	0.790
pe2 - pe4	2	-5.625	4.647	14	-1.210	0.631
pe3 - pe4	2	-11.875	3.743	14	-3.173	0.031

p3.Intru.m2.all <- emmeans(p3.Intru.all.aov, pairwise ~ Btw | cPE, type = "response")
p3.Intru.m2.all$contrasts %>% kable(digits=3)

contrast	cPE	estimate	SE	df	t.ratio	p.value
1 - 2	pe1	1.250	4.369	14	0.286	0.779
1 - 2	pe2	18.125	6.456	14	2.807	0.014
1 - 2	pe3	20.625	6.744	14	3.058	0.009
1 - 2	pe4	-5.625	5.148	14	-1.093	0.293

분석 결과, 실험 집단에서 PE 1은 PE 2와 PE 3보다 유의하게 낮은 Intrusion 반응을 보였으나, PE 4와는 유의한 차이를 보이지 않았다. 마찬가지로, PE 4 또한 PE 2와 PE 3 보다 유의하게 낮은 Intrusion 반응을 보였다. PE 2와 PE 3 간의 차이는 유의하지 않았다. 통제 집단에서는 모든 비교에서 유의한 차이가 나타나지 않았다.

# contrast coding practice
p3.Intru.long.exp$cPE1 <-factor(p3.Intru.long.exp$cPE, levels = c('pe1','pe2','pe3','pe4'))
# contrasts(p3.Intru.long.exp$cPE1)
contrasts(p3.Intru.long.exp$cPE1) <- contr.poly
# contrasts(p3.Intru.long.exp$cPE1) <- contr.sum
# contrasts(p3.Intru.long.exp$cPE1) <- contr.treatment

contrasts(p3.Intru.long.exp$cPE1)

##             .L   .Q         .C
## pe1 -0.6708204  0.5 -0.2236068
## pe2 -0.2236068 -0.5  0.6708204
## pe3  0.2236068 -0.5 -0.6708204
## pe4  0.6708204  0.5  0.2236068

# contrasts(p3.Intru.long.exp$cPE1) <- cbind(c(-1,1,1,-1))
# MM <- model.matrix( ~ 1 + cPE1, data=p3.Intru.long.exp)
# p3.Intru.long.exp$cPE1cust <- MM[,"cPE11"]

p3.Intru.long.expX <- model.matrix(~ cPE1, data=p3.Intru.long.exp)
p3.Intru.long.exp[,c("cLinear","cQuadratic","cCubic")] <- p3.Intru.long.expX[,2:4]
# p3.Intru.Model <- lmer(Intrusion ~ cPE1 + (1|SN), data=p3.Intru.long.exp)
p3.Intru.Model <- lmer(Intrusion ~ cLinear + cQuadratic + cCubic + (1|SN), data=p3.Intru.long.exp)
# p3.Intru.Model <- lm(Intrusion ~ cPE1, data=p3.Intru.long.exp)
summary(p3.Intru.Model)

## Linear mixed model fit by REML. t-tests use Satterthwaite's method [
## lmerModLmerTest]
## Formula: Intrusion ~ cLinear + cQuadratic + cCubic + (1 | SN)
##    Data: p3.Intru.long.exp
## 
## REML criterion at convergence: 210.8
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -2.4425 -0.4937  0.1310  0.6076  1.6790 
## 
## Random effects:
##  Groups   Name        Variance Std.Dev.
##  SN       (Intercept) 64.06    8.004   
##  Residual             48.66    6.976   
## Number of obs: 32, groups:  SN, 8
## 
## Fixed effects:
##             Estimate Std. Error      df t value   Pr(>|t|)    
## (Intercept)   31.563      3.087   7.000  10.225 0.00001847 ***
## cLinear       -1.677      2.466  21.000  -0.680      0.504    
## cQuadratic   -15.625      2.466  21.000  -6.335 0.00000278 ***
## cCubic         2.236      2.466  21.000   0.907      0.375    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Correlation of Fixed Effects:
##            (Intr) cLiner cQdrtc
## cLinear    0.000               
## cQuadratic 0.000  0.000        
## cCubic     0.000  0.000  0.000

(aovModel <- anova(p3.Intru.Model))

## Type III Analysis of Variance Table with Satterthwaite's method
##            Sum Sq Mean Sq NumDF DenDF F value      Pr(>F)    
## cLinear      22.5    22.5     1    21  0.4624      0.5039    
## cQuadratic 1953.1  1953.1     1    21 40.1376 0.000002784 ***
## cCubic       40.0    40.0     1    21  0.8220      0.3749    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# SumSq contrast
SumSq <- aovModel[1:3,"Sum Sq"]
names(SumSq) <- c("cLinear","cQuadratic","cCubic")
SumSq

##    cLinear cQuadratic     cCubic 
##     22.500   1953.125     40.000

MuMIn::r.squaredGLMM(p3.Intru.Model)

##            R2m       R2c
## [1,] 0.3658092 0.7262305

## ---- echo=TRUE----------------------------------------------------------
# SumSq effect
sum(SumSq)

## [1] 2015.625

# r2 alerting
round(SumSq / sum(SumSq), 2)

##    cLinear cQuadratic     cCubic 
##       0.01       0.97       0.02

p3.Intru.g.exp

## # A tibble: 4 × 6
##   Btw   cPE   Intru.M Intru.SD Intru.se Intru.ci
##   <fct> <fct>   <dbl>    <dbl>    <dbl>    <dbl>
## 1 1     pe1      24.4     7.29     2.06     4.87
## 2 1     pe2      41.2    11.6      3.00     7.09
## 3 1     pe3      37.5    12.2      2.34     5.54
## 4 1     pe4      23.1    10.7      2.02     4.79

mean(p3.Intru.g.exp$Intru.M)

## [1] 31.5625

p3.Intru.Model <- lmer(Intrusion ~ cPE1 + (1|SN), data=p3.Intru.long.exp)
round(summary(p3.Intru.Model)$coef,3)

##             Estimate Std. Error df t value Pr(>|t|)
## (Intercept)   31.563      3.087  7  10.225    0.000
## cPE1.L        -1.677      2.466 21  -0.680    0.504
## cPE1.Q       -15.625      2.466 21  -6.335    0.000
## cPE1.C         2.236      2.466 21   0.907    0.375

anova(p3.Intru.Model)

## Type III Analysis of Variance Table with Satterthwaite's method
##      Sum Sq Mean Sq NumDF DenDF F value     Pr(>F)    
## cPE1 2015.6  671.88     3    21  13.807 0.00003393 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(p3.Intru.emm <- emmeans(p3.Intru.Model, pairwise ~ cPE1))

## $emmeans
##  cPE1 emmean   SE   df lower.CL upper.CL
##  pe1    24.4 3.75 14.2     16.3     32.4
##  pe2    41.2 3.75 14.2     33.2     49.3
##  pe3    37.5 3.75 14.2     29.5     45.5
##  pe4    23.1 3.75 14.2     15.1     31.2
## 
## Degrees-of-freedom method: kenward-roger 
## Confidence level used: 0.95 
## 
## $contrasts
##  contrast  estimate   SE df t.ratio p.value
##  pe1 - pe2   -16.88 3.49 21  -4.838  0.0005
##  pe1 - pe3   -13.12 3.49 21  -3.763  0.0058
##  pe1 - pe4     1.25 3.49 21   0.358  0.9838
##  pe2 - pe3     3.75 3.49 21   1.075  0.7080
##  pe2 - pe4    18.12 3.49 21   5.197  0.0002
##  pe3 - pe4    14.38 3.49 21   4.121  0.0025
## 
## Degrees-of-freedom method: kenward-roger 
## P value adjustment: tukey method for comparing a family of 4 estimates

plot(p3.Intru.emm, horizontal=F, comparisons=T)

2.2.1.3.5 기억 갱신 점수

집단과 예측 오류 조건에 따른 기억 갱신 점수(Updating Score)를 살펴보았다. 기억 갱신 점수(Updating Score)는 Intrusion과 Source Confusion의 차이로, 출처 기억 반응에서 Intrusion과 Source Confusion간의 비대칭적 반응 패턴을 반영하기 위해 구성하였다. 양수의 값은 Intrusion이 Source Confusion 보다 높은 경우를 나타낸다. 각 집단의 참가자별로 US의 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 빨간 리본은 95% 신뢰구간을 나타낸다.

## Updating Score
# long format
p3.us <- merge(p3.Intru.long.all, p3.Err.long.all, key=c(SN,cPE))
p3.us <- arrange(p3.us, SN, Btw, cPE)
p3.US.long.all <- p3.us %>% group_by(SN, Btw, cPE) %>% 
  summarise(US = (Intrusion - Error)) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.US.long.exp <- p3.US.long.all %>% filter(Btw==1)
p3.US.long.con <- p3.US.long.all %>% filter(Btw==2)

# wide format
p3.US.swide.all <- p3.US.long.all %>% spread(key = cPE, value = US)
p3.US.swide.exp <- p3.US.swide.all %>% filter(Btw==1)
p3.US.swide.con <- p3.US.swide.all %>% filter(Btw==2)

# summary
p3.US.g.all <- p3.US.long.all %>%  group_by(Btw, cPE) %>% 
  summarise(US.M = mean(US), US.SD = sd(US)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.US.g.all$US.se <- Rmisc::summarySEwithin(data = p3.US.long.all, measurevar = "US", 
                                            idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.US.g.all$US.ci <- Rmisc::summarySEwithin(data = p3.US.long.all, measurevar = "US", 
                                            idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.US.g.exp <- p3.US.g.all %>% filter(Btw==1)
p3.US.g.con <- p3.US.g.all %>% filter(Btw==2)
p3.US.g.all %>% kable(digits=2)

Btw	cPE	US.M	US.SD	US.se	US.ci
1	pe1	-1.88	16.68	3.91	9.25
1	pe2	23.12	9.98	4.19	9.90
1	pe3	22.50	16.90	4.95	11.70
1	pe4	8.12	13.35	2.84	6.71
2	pe1	-3.12	14.62	4.06	9.60
2	pe2	3.75	12.46	5.16	12.21
2	pe3	-0.63	17.20	5.70	13.49
2	pe4	16.88	7.99	3.17	7.51

## plot
p3.plot2.5.all <- ggplot(p3.US.g.all, mapping=aes(x=cPE, y=US.M, group=Btw)) + 
  geom_ribbon(aes(ymin=US.M-US.ci, ymax=US.M+US.ci, fill=Btw), alpha=0.5) + 
  geom_line(p3.US.g.all, mapping = aes(x=cPE, y=US.M, color = Btw), size = 1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, y = US.M, ymin=US.M, ymax=US.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) +
  coord_cartesian(ylim = c(-50, 50), clip = "on") +
  labs(x = "Prediction Error", y = "US value", fill = 'Group') +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Update Score") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")
p3.plot2.5.exp <- ggplot(p3.US.g.exp, mapping=aes(x=cPE, y=US.M, group=1)) + 
  geom_ribbon(aes(ymin=US.M-US.ci, ymax=US.M+US.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=US.M, ymax=US.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.US.long.exp, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=US, group=SN, color=SN)) +
  geom_point(p3.US.long.exp, mapping = aes(x=cPE, y=US, group=SN, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(-50, +50), clip = "on") +
  labs(x = "Prediction Error", y = "US value") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Updating Score (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.plot2.5.con <- ggplot(p3.US.g.con, mapping=aes(x=cPE, y=US.M, group=1)) + 
  geom_ribbon(aes(ymin=US.M-US.ci, ymax=US.M+US.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=US.M, ymax=US.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.US.long.con, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=US, group=SN, color=SN)) +
  geom_point(p3.US.long.con, mapping = aes(x=cPE, y=US, group=SN, color = SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(-50, +50), clip = "on") +
  labs(x = "Prediction Error", y = "US valus") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("Updating Score (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.plot2.5.all, p3.plot2.5.exp, p3.plot2.5.con, ncol=3, labels = c("A) All Group", "B) Experimental", "C) Control")) 

각 집단과 예측 오류 조건에서의 US 차이를 살펴보기 위하여 2 X 4 혼합 요인 분산분석을 수행하였다.

p3.US.all.aov <- aov_ez(id = "SN", dv = "US", data = p3.US.long.all, between = "Btw", within = "cPE")
anova(p3.US.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	301.674	4.061	0.225	0.064
cPE	2.072	29.005	233.421	5.535	0.283	0.009
Btw:cPE	2.072	29.005	233.421	5.641	0.287	0.008

분석 결과, 예측 오류의 주효과와 집단과 예측 오류 간의 상호작용이 유의하였다.

p3.US.m1.all <- emmeans(p3.US.all.aov, pairwise ~ cPE | Btw, type = "response")
p3.US.m1.all$contrasts %>% kable(digits = 3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
pe1 - pe2	1	-25.000	5.258	14	-4.754	0.002
pe1 - pe3	1	-24.375	7.333	14	-3.324	0.023
pe1 - pe4	1	-10.000	5.469	14	-1.828	0.301
pe2 - pe3	1	0.625	8.422	14	0.074	1.000
pe2 - pe4	1	15.000	5.706	14	2.629	0.083
pe3 - pe4	1	14.375	5.194	14	2.767	0.064
pe1 - pe2	2	-6.875	5.258	14	-1.307	0.573
pe1 - pe3	2	-2.500	7.333	14	-0.341	0.986
pe1 - pe4	2	-20.000	5.469	14	-3.657	0.012
pe2 - pe3	2	4.375	8.422	14	0.519	0.953
pe2 - pe4	2	-13.125	5.706	14	-2.300	0.145
pe3 - pe4	2	-17.500	5.194	14	-3.369	0.021

p3.US.m2.all <- emmeans(p3.US.all.aov, pairwise ~ Btw | cPE, type = "response")
p3.US.m2.all$contrasts %>% kable(digits = 3)

contrast	cPE	estimate	SE	df	t.ratio	p.value
1 - 2	pe1	1.250	7.842	14	0.159	0.876
1 - 2	pe2	19.375	5.645	14	3.432	0.004
1 - 2	pe3	23.125	8.527	14	2.712	0.017
1 - 2	pe4	-8.750	5.500	14	-1.591	0.134

사후 분석 결과, 실험 집단에서 PE 1보다 PE 2, PE 3이 유의하게 높은 US값을 보였다. 다른 차이는 유의하지 않았다. 통제 집단에서는 PE 1과 PE 3보다 PE 4가 유의하게 높은 US값을 보였다. 또한 PE 2, PE 3 조건에서 실험 집단은 통제 집단보다 유의하게 높은 US값을 보였다.

2.2.2 Day 3 연합 기억 정확도

이러한 결과가 기억의 손상에 의한 것이 아닌 갱신에 의한 것이라는 점을 확인하기 위해서는 목록 1과 목록 2의 연합 기억이 어느 정도 유지되어 있어야 한다. 또한 본 실험에서 유도한 재공고화, 예측 오류를 수반한 재활성화가 출처 기억 뿐만 아니라 연합 기억에도 영향을 준다면, 각 조건에 따라 일정한 패턴을 확인할 수 있을 것이다. 따라서 집단, 출처 반응, 예측 오류 조건에서의 연합 기억 정확도를 분석하였다. 기억 검사 과제에서 New로 출처 반응을 한 경우에는 연합 기억 검사를 생략하였으므로, List 3과 관련된 연합 기억은 분석할 수 없었다.

2.2.2.1 집단과 목록에 따른 연합 기억 정확도

첫째 날과 둘째 날의 연합 기억 학습 수행을 비교한 분석에서는 둘째 날 연합 기억 학습이 첫째 날 연합 기억 학습보다 우수하게 나타났었다. 이러한 결과 패턴이 마지막 날의 연합 기억 검사에서도 유사하게 나타나는지 확인하였다. 또한 두 집단 간의 연합 기억 수행의 차이가 있는지도 확인하였다.

# long format
p3.day.Asc.long.all <- p3 %>% filter(cSrc != "List_3", Resp != "New") %>% group_by(SN, Btw, cSrc) %>% 
  summarise(aCorr = mean(aCorr)*100) %>% ungroup

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.day.Asc.long.exp <- p3.day.Asc.long.all %>% filter(Btw==1)
p3.day.Asc.long.con <- p3.day.Asc.long.all %>% filter(Btw==2)

# wide format
p3.day.Asc.swide.all <- p3.day.Asc.long.all %>% spread(key = cSrc, value = aCorr)
p3.day.Asc.swide.exp <- p3.day.Asc.swide.all %>% filter(Btw==1)
p3.day.Asc.swide.con <- p3.day.Asc.swide.all %>% filter(Btw==2)

# summary
p3.day.Asc.g.all <- p3.day.Asc.long.all %>% group_by(Btw, cSrc) %>% 
  summarise(aCorr.M = mean(aCorr), aCorr.SD = sd(aCorr)) %>% ungroup()

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.day.Asc.g.all$aCorr.se <- Rmisc::summarySEwithin(data = p3.day.Asc.long.all, measurevar = "aCorr", 
                                                    idvar = "SN", betweenvars = "Btw", withinvars = "cSrc")$se
p3.day.Asc.g.all$aCorr.ci <- Rmisc::summarySEwithin(data = p3.day.Asc.long.all, measurevar = "aCorr", 
                                                    idvar = "SN", betweenvars = "Btw", withinvars = "cSrc")$ci  
p3.day.Asc.g.exp <- p3.day.Asc.g.all %>% filter(Btw==1)
p3.day.Asc.g.con <- p3.day.Asc.g.all %>% filter(Btw==2)
p3.day.Asc.g.all %>% kable(digits=2)

Btw	cSrc	aCorr.M	aCorr.SD	aCorr.se	aCorr.ci
1	List_1	90.34	3.80	0.96	2.27
1	List_2	94.22	4.10	0.96	2.27
2	List_1	83.60	11.89	1.56	3.70
2	List_2	90.58	6.67	1.56	3.70

## plot
p3.day.Asc.all.plot.1 <- ggplot(data=p3.day.Asc.long.all, aes(x=Btw, y=aCorr, fill=cSrc)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=Btw, y=aCorr, group=cSrc, color=SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_segment(data=filter(p3.day.Asc.swide.all,Btw==1), inherit.aes = FALSE,
               aes(x=1-.16, y=filter(p3.day.Asc.swide.all,Btw==1)$"List_1",
                   xend=1+.16, yend=filter(p3.day.Asc.swide.all,Btw==1)$"List_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.day.Asc.swide.all,Btw==2), inherit.aes = FALSE,
               aes(x=2-.16, y=filter(p3.day.Asc.swide.all,Btw==2)$"List_1",
                   xend=2+.16, yend=filter(p3.day.Asc.swide.all,Btw==2)$"List_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_pointrange(data=p3.day.Asc.g.all, aes(x = Btw, y = aCorr.M, ymin = aCorr.M-aCorr.ci, ymax = aCorr.M+aCorr.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"),
                    labels = c("List 1", "List 2")) +
  scale_x_discrete(labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(25, 100), clip = "on") +
  labs(x = "Group", y = "Accuracy (%)", fill ="Object List") +
  # ggtitle("Association Memory by Group") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")

p3.day.Asc.all.plot.2 <- ggplot(data=p3.day.Asc.long.all, aes(x=cSrc, y=aCorr, fill=Btw)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=cSrc, y=aCorr, group=Btw, color=SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_pointrange(data=p3.day.Asc.g.all, aes(x = cSrc, y = aCorr.M, ymin = aCorr.M-aCorr.ci, ymax = aCorr.M+aCorr.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"),
                    labels = c("Experimental", "Control")) +
  scale_x_discrete(labels = c("List 1", "List 2")) +
  coord_cartesian(ylim = c(25, 100), clip = "on") +
  labs(x = "Object List", y = "Accuracy (%)", fill ="Group") +
  # ggtitle("Association Memory by Object List") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")

ggpubr::ggarrange(p3.day.Asc.all.plot.1, p3.day.Asc.all.plot.2, ncol = 2, labels=c("A) Association Memory by Group","B) Association Memory by List"))

집단과 물체 목록을 요인으로 하는 2 X 2 혼합 요인 분산분석을 수행하였다.

p3.day.Asc.all.aov <- aov_ez(id = "SN", dv = "aCorr", data = p3.day.Asc.long.all, between = "Btw", within = c("cSrc"))
anova(p3.day.Asc.all.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1	14	90.629	2.382	0.145	0.145
cSrc	1	14	17.974	13.131	0.484	0.003
Btw:cSrc	1	14	17.974	1.072	0.071	0.318

분석 결과, 물체 목록의 주효과는 유의하였다.

p3.day.Asc.m1.all <- emmeans(p3.day.Asc.all.aov, pairwise ~ cSrc | Btw, type = "response")
p3.day.Asc.m1.all$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
List_1 - List_2	1	-3.879	2.12	14	-1.830	0.089
List_1 - List_2	2	-6.984	2.12	14	-3.295	0.005

p3.day.Asc.m2.all <- emmeans(p3.day.Asc.all.aov, pairwise ~ Btw | cSrc, type = "response")
p3.day.Asc.m2.all$contrasts %>% kable(digits=3)

contrast	cSrc	estimate	SE	df	t.ratio	p.value
1 - 2	List_1	6.747	4.415	14	1.528	0.149
1 - 2	List_2	3.643	2.768	14	1.316	0.209

각 집단 별로 물체 목록에 대한 사후 분석을 수행한 결과, 통제 집단에서 목록 2가 목록 1보다 우수한 연합 기억 수행을 보였다.

2.2.2.2 출처 반응에 따른 연합 기억 정확도

집단, 물체 목록에서 출처 반응에 따라 연합 기억이 어떻게 나타나는지 살펴보기 위해, 각 조건에 대한 연합 기억 정확도 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B, C는 각 집단을 나타내며, 빨간 점은 평균, 오차 막대는 95% 신뢰구간을 표시한다.

# long format
p3.AsyPtt.Asc.long.all <- p3 %>% filter(cSrc != "List_3", Resp != "New") %>% group_by(SN, Btw, cSrc, Resp) %>%
  summarise(aCorr = mean(aCorr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw', 'cSrc'. You can override using the `.groups` argument.

p3.AsyPtt.Asc.wide.all <- p3.AsyPtt.Asc.long.all %>% spread(key = Resp, value = aCorr)
p3.AsyPtt.Asc.long.all <- gather(p3.AsyPtt.Asc.wide.all, Resp, aCorr, Day_1:Day_2, factor_key=TRUE)
p3.AsyPtt.Asc.long.all[is.na(p3.AsyPtt.Asc.long.all)] <- 0 
p3.AsyPtt.Asc.long.all <- arrange(p3.AsyPtt.Asc.long.all, SN, cSrc, Resp, aCorr)
p3.AsyPtt.Asc.long.exp <- p3.AsyPtt.Asc.long.all %>% filter(Btw==1)
p3.AsyPtt.Asc.long.con <- p3.AsyPtt.Asc.long.all %>% filter(Btw==2)

# wide format
p3.AsyPtt.Asc.swide.all <- p3.AsyPtt.Asc.long.all %>% spread(key = Resp, value = aCorr)
p3.AsyPtt.Asc.swide.exp <- p3.AsyPtt.Asc.swide.all %>% filter(Btw==1)
p3.AsyPtt.Asc.swide.con <- p3.AsyPtt.Asc.swide.all %>% filter(Btw==2)

# summary
p3.AsyPtt.Asc.g.all <- p3.AsyPtt.Asc.long.all %>% group_by(Btw, cSrc, Resp) %>% 
  summarise(aCorr.M = mean(aCorr), aCorr.SD = sd(aCorr)) %>% ungroup()

## `summarise()` has grouped output by 'Btw', 'cSrc'. You can override using the `.groups` argument.

p3.AsyPtt.Asc.g.all$aCorr.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.Asc.long.all, measurevar = "aCorr", 
                                                       idvar = "SN", betweenvars = "Btw", withinvars = c("cSrc","Resp"))$se
p3.AsyPtt.Asc.g.all$aCorr.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.Asc.long.all, measurevar = "aCorr", 
                                                       idvar = "SN", betweenvars = "Btw", withinvars = c("cSrc","Resp"))$ci  
p3.AsyPtt.Asc.g.exp <- p3.AsyPtt.Asc.g.all %>% filter(Btw==1)
p3.AsyPtt.Asc.g.con <- p3.AsyPtt.Asc.g.all %>% filter(Btw==2)
p3.AsyPtt.Asc.g.all %>% kable(digits=2)

Btw	cSrc	Resp	aCorr.M	aCorr.SD	aCorr.se	aCorr.ci
1	List_1	Day_1	90.25	4.23	1.20	2.83
1	List_1	Day_2	88.05	12.59	4.32	10.21
1	List_2	Day_1	91.55	7.17	2.92	6.91
1	List_2	Day_2	96.17	4.28	1.49	3.51
2	List_1	Day_1	84.28	10.80	2.00	4.72
2	List_1	Day_2	80.11	20.46	3.63	8.58
2	List_2	Day_1	89.21	12.53	1.76	4.16
2	List_2	Day_2	91.27	5.25	3.09	7.31

## plot
p3.Asc.all.plot3 <- ggplot(data=p3.AsyPtt.Asc.long.all, aes(x=Resp, y=aCorr, fill=Btw)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .9, width = 0.8, colour="black", size = 1.02) +
  geom_pointrange(data=p3.AsyPtt.Asc.g.all, aes(x = Resp, y=aCorr.M, ymin = aCorr.M - aCorr.ci, ymax = aCorr.M + aCorr.ci),
                  position = position_dodge(0.80), color = "darkred", size = 1, show.legend = FALSE) +
  facet_grid(.~cSrc, scales="free_x", 
             labeller = labeller(cSrc = c("List_1" = "List 1 (Day 1)","List_2" = "List 2 (Day 2)"))) +
  scale_x_discrete(labels=c("Day 1", "Day 2")) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"),
                    labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Source Response by Object List", y = "Association Accuracy (%)", fill ="Group") +
  # ggtitle("Association Memory Response") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        strip.text.x = element_text(face = "plain", size = 15, color = "black"),
        strip.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border = element_blank(),
        panel.spacing=unit(1, "lines"),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        # plot.title = element_text(hjust = 0.5),
        legend.position="top")
p3.Asc.exp.plot3 <- ggplot(data=p3.AsyPtt.Asc.long.exp, aes(x=cSrc, y=aCorr, fill=Resp)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=cSrc, y=aCorr, group=Resp, color=SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1-.16, y=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_1")$"Day_1",
                   xend=1+.16, yend=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_1")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2-.16, y=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_2")$"Day_1",
                   xend=2+.16, yend=filter(p3.AsyPtt.Asc.swide.exp,cSrc=="List_2")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_pointrange(data=p3.AsyPtt.Asc.g.exp, aes(x = cSrc, y = aCorr.M, ymin = aCorr.M-aCorr.ci, ymax = aCorr.M+aCorr.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#56b4e9", "#e69f00", "#ff6164"),
                    labels = c("Day 1", "Day 2")) +
  scale_x_discrete(labels = c("List 1", "List 2")) +
  coord_cartesian(ylim = c(25, 100), clip = "on") +
  labs(x = "Object List", y = "Association Accuracy (%)", fill ="Attribution") +
  # ggtitle("Association Memory (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")
p3.Asc.con.plot3 <- ggplot(data=p3.AsyPtt.Asc.long.con, aes(x=cSrc, y=aCorr, fill=Resp)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .7, width = .65, colour="black", size = 1.02) +
  geom_point(position=position_dodge(0.65), aes(x=cSrc, y=aCorr, group=Resp, color=SN), size = 3, alpha = .4, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_1"), inherit.aes = FALSE,
               aes(x=1-.16, y=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_1")$"Day_1",
                   xend=1+.16, yend=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_1")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_segment(data=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_2"), inherit.aes = FALSE,
               aes(x=2-.16, y=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_2")$"Day_1",
                   xend=2+.16, yend=filter(p3.AsyPtt.Asc.swide.con,cSrc=="List_2")$"Day_2", color=SN),
               size = 1, alpha = 0.3, show.legend = FALSE) +
  geom_pointrange(data=p3.AsyPtt.Asc.g.con, aes(x = cSrc, y = aCorr.M, ymin = aCorr.M-aCorr.ci, ymax = aCorr.M+aCorr.ci),
                  position = position_dodge(0.65), color = "darkred", size = 1, show.legend = FALSE) +
  scale_fill_manual(values = c("#56b4e9", "#e69f00", "#ff6164"),
                    labels = c("Day 1", "Day 2")) +
  scale_x_discrete(labels = c("List 1", "List 2")) +
  coord_cartesian(ylim = c(25, 100), clip = "on") +
  labs(x = "Object List", y = "Association Accuracy (%)", fill ="Attribution") +
  # ggtitle("Association Memory (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"), 
        legend.position="top")
ggpubr::ggarrange(p3.Asc.all.plot3, labels = "A) All Group",
          ggpubr::ggarrange(p3.Asc.exp.plot3, p3.Asc.con.plot3, ncol = 2, labels = c("B) Experimental", "C) Control")), 
          nrow = 2)

2.2.2.2.1 목록 1, 목록 2의 출처 반응에 따른 연합 기억 정확도

List 1, List 2 에서 집단과 출처 반응에 따른 연합 기억 정확도의 차이를 분석하였다. 참가자 간 변인인 집단과 참가자 내 변인인 출처 반응을 요인으로 한 2 X 2 혼합 요인 분산분석을 수행하였다.

# List 1 & 2 Association Memory by Source Response
p3.AsyPtt.Asc.long.all.1 <- p3.AsyPtt.Asc.long.all %>% unite(cSrc_Resp, cSrc:Resp, remove=FALSE) %>% 
  rename(sResp = "cSrc_Resp") 
p3.AsyPtt.Asc.long.all.1$sResp <- factor(p3.AsyPtt.Asc.long.all.1$sResp)
# p3.AsyPtt.Asc.long.all.1 <- p3.AsyPtt.Asc.long.all.1 %>% filter(sResp %in% c("List_1_Day_1", "List_2_Day_2"))
# p3.AsyPtt.Asc.long.all.1 %>% kable(digits=3)

p3.AsyPtt.Asc.g.all.1 <- p3.AsyPtt.Asc.long.all.1 %>% group_by(Btw, sResp) %>%
  summarise(aCorr.M = mean(aCorr), aCorr.SD = sd(aCorr)) %>% ungroup()
p3.AsyPtt.Asc.g.all.1$aCorr <- p3.AsyPtt.Asc.g.all.1$aCorr.M
p3.AsyPtt.Asc.g.all.1$aCorr.se <- Rmisc::summarySEwithin(data = p3.AsyPtt.Asc.long.all.1, idvar = "SN",
                                                         measurevar = "aCorr", betweenvars = "Btw", withinvars = "sResp")$se
p3.AsyPtt.Asc.g.all.1$aCorr.ci <- Rmisc::summarySEwithin(data = p3.AsyPtt.Asc.long.all.1, idvar = "SN",
                                                         measurevar = "aCorr", betweenvars = "Btw", withinvars = "sResp")$ci
p3.AsyPtt.Asc.g.all.1 %>% kable(digits=2)

Btw	sResp	aCorr.M	aCorr.SD	aCorr	aCorr.se	aCorr.ci
1	List_1_Day_1	90.25	4.23	90.25	1.26	2.98
1	List_1_Day_2	88.05	12.59	88.05	4.55	10.76
1	List_2_Day_1	91.55	7.17	91.55	3.08	7.29
1	List_2_Day_2	96.17	4.28	96.17	1.57	3.70
2	List_1_Day_1	84.28	10.80	84.28	2.10	4.97
2	List_1_Day_2	80.11	20.46	80.11	3.83	9.05
2	List_2_Day_1	89.21	12.53	89.21	1.86	4.39
2	List_2_Day_2	91.27	5.25	91.27	3.26	7.71

p3.AsyPtt.Asc.all.1.aov <- aov_ez(id = "SN", dv = "aCorr", data = p3.AsyPtt.Asc.long.all.1, between = "Btw", within = "sResp")
anova(p3.AsyPtt.Asc.all.1.aov, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	280.847	1.591	0.102	0.228
sResp	1.812	25.374	111.554	4.061	0.225	0.033
Btw:sResp	1.812	25.374	111.554	0.323	0.023	0.706

분석 결과, 출처 반응의 주효과가 유의하였다.

p3.AsyPtt.Asc.m1.1.all <- emmeans(p3.AsyPtt.Asc.all.1.aov, pairwise ~ sResp | Btw, type = "response")
p3.AsyPtt.Asc.m1.1.all$contrasts %>% kable(digits=3)

contrast	Btw	estimate	SE	df	t.ratio	p.value
List_1_Day_1 - List_1_Day_2	1	2.209	4.693	14	0.471	0.964
List_1_Day_1 - List_2_Day_1	1	-1.298	2.625	14	-0.495	0.959
List_1_Day_1 - List_2_Day_2	1	-5.912	2.320	14	-2.548	0.095
List_1_Day_2 - List_2_Day_1	1	-3.507	5.223	14	-0.671	0.906
List_1_Day_2 - List_2_Day_2	1	-8.121	5.386	14	-1.508	0.459
List_2_Day_1 - List_2_Day_2	1	-4.614	3.241	14	-1.423	0.506
List_1_Day_1 - List_1_Day_2	2	4.167	4.693	14	0.888	0.811
List_1_Day_1 - List_2_Day_1	2	-4.932	2.625	14	-1.879	0.280
List_1_Day_1 - List_2_Day_2	2	-6.991	2.320	14	-3.013	0.041
List_1_Day_2 - List_2_Day_1	2	-9.099	5.223	14	-1.742	0.340
List_1_Day_2 - List_2_Day_2	2	-11.158	5.386	14	-2.072	0.210
List_2_Day_1 - List_2_Day_2	2	-2.059	3.241	14	-0.635	0.919

p3.AsyPtt.Asc.m1.2.all <- emmeans(p3.AsyPtt.Asc.all.1.aov, pairwise ~ Btw | sResp, type = "response")
p3.AsyPtt.Asc.m1.2.all$contrasts %>% kable(digits=3)

contrast	sResp	estimate	SE	df	t.ratio	p.value
1 - 2	List_1_Day_1	5.974	4.101	14	1.457	0.167
1 - 2	List_1_Day_2	7.932	8.495	14	0.934	0.366
1 - 2	List_2_Day_1	2.340	5.103	14	0.459	0.654
1 - 2	List_2_Day_2	4.895	2.394	14	2.045	0.060

출처 반응에 따른 사후 분석을 수행한 결과, 통제 집단의 List 2 Correct의 연합 기억은 Source Confusion 보다 유의하게 높은 연합 기억 정확도를 보였다. 이 외에 다른 비교들은 유의하지 않았다. 각 출처 반응에서 집단 간의 차이에 대한 사후 분석 결과, 모든 비교에서 유의한 차이가 나타나지 않았다.

2.2.2.3 예측 오류 정도에 따른 연합 기억 정확도

집단, 예측 오류 조건에 따른 연합 기억 정확도가 예측 오류 수준에 따라 다른지 살펴보기 위한 분석을 수행하였다. 출처 기억 확신도 분석과 유사하게 각 출처 반응을 예측 오류 조건으로 구분하였을 때 시행수가 충분하지 않은 경우에는 연합 기억 정확도의 평균이 대표성을 가지지 못할 수 있다. 따라서 각 출처 반응에서의 시행수를 확인하였다.

# The number of trials per condition
p3 %>% filter(cSrc!="List_3", Resp!="New") %>% 
  group_by(SN, cSrc, Resp, cPE) %>% 
  summarise(NumTrial = length(aResp)) %>% 
  ungroup %>% 
  group_by(cSrc, Resp, cPE) %>%
  summarise(Avg = mean(NumTrial), 
            Med = median(NumTrial), 
            Min = min(NumTrial), 
            Max = max(NumTrial)) %>% 
  ungroup %>% kable(digits=3)

## `summarise()` has grouped output by 'SN', 'cSrc', 'Resp'. You can override using the `.groups` argument.

## `summarise()` has grouped output by 'cSrc', 'Resp'. You can override using the `.groups` argument.

cSrc	Resp	cPE	Avg	Med	Min	Max
List_1	Day_1	pe1	14.500	15.0	8	18
List_1	Day_1	pe2	15.625	16.0	13	18
List_1	Day_1	pe3	15.938	15.5	12	19
List_1	Day_1	pe4	16.625	17.0	12	19
List_1	Day_2	pe1	5.250	5.0	2	11
List_1	Day_2	pe2	3.750	3.0	1	7
List_1	Day_2	pe3	3.467	4.0	1	6
List_1	Day_2	pe4	3.071	2.5	1	7
List_2	Day_1	pe1	4.750	4.5	2	8
List_2	Day_1	pe2	6.438	6.0	2	13
List_2	Day_1	pe3	5.800	6.0	1	12
List_2	Day_1	pe4	5.188	5.0	2	9
List_2	Day_2	pe1	14.500	15.0	9	18
List_2	Day_2	pe2	12.938	13.0	5	17
List_2	Day_2	pe3	14.438	13.5	8	20
List_2	Day_2	pe4	14.250	14.0	10	18

각 출처 반응의 시행수에서 Source Confusion, Intrusion은 각 예측 오류 조건에서 평균 시행수가 10시행에 미치지 못하므로 분석에서 제외하였다. 따라서 출처 반응의 종속 변인 중 List 1 Correct, List 2 Correct에서 집단과 예측 오류 조건에 따른 차이를 비교하였다.

2.2.2.3.1 목록 1 정확반응에서의 연합 기억 정확도

List 1 Correct 출처 반응에서 집단과 예측 오류 조건에 따라 연합 기억 수준이 다른지 살펴보았다. 각 조건의 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 빨간 리본은 95% 신뢰구간을 나타낸다.

## List 1 Association Memory of Correct Response
# long format
p3.Acc.Asc.long.all.1 <- p3 %>% filter(cPE != "pe0", Correct == 1, cSrc == "List_1") %>% group_by(SN, Btw, cPE) %>% 
  summarise(aCorr = mean(aCorr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Acc.Asc.long.exp.1 <- p3.Acc.Asc.long.all.1 %>% filter(Btw==1)
p3.Acc.Asc.long.con.1 <- p3.Acc.Asc.long.all.1 %>% filter(Btw==2)

# wide format
p3.Acc.Asc.swide.all.1 <- p3.Acc.Asc.long.all.1 %>% spread(key = cPE, value = aCorr)
p3.Acc.Asc.swide.exp.1 <- p3.Acc.Asc.swide.all.1 %>% filter(Btw==1)
p3.Acc.Asc.swide.con.1 <- p3.Acc.Asc.swide.all.1 %>% filter(Btw==2)

# summary
p3.Acc.Asc.g.all.1 <- p3.Acc.Asc.long.all.1 %>%  group_by(Btw, cPE) %>% 
  summarise(aCorr.M = mean(aCorr), aCorr.SD = sd(aCorr)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Acc.Asc.g.all.1$aCorr.se <- Rmisc::summarySEwithin(data = p3.Acc.Asc.long.all.1, measurevar = "aCorr", 
                                                      idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Acc.Asc.g.all.1$aCorr.ci <- Rmisc::summarySEwithin(data = p3.Acc.Asc.long.all.1, measurevar = "aCorr", 
                                                      idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Acc.Asc.g.exp.1 <- p3.Acc.Asc.g.all.1 %>% filter(Btw==1)
p3.Acc.Asc.g.con.1 <- p3.Acc.Asc.g.all.1 %>% filter(Btw==2)
p3.Acc.Asc.g.all.1 %>% kable(digits=2)

Btw	cPE	aCorr.M	aCorr.SD	aCorr.se	aCorr.ci
1	pe1	96.66	5.05	1.81	4.27
1	pe2	86.80	9.10	2.36	5.58
1	pe3	90.41	7.16	3.01	7.11
1	pe4	87.53	10.29	3.56	8.41
2	pe1	81.23	21.42	5.42	12.81
2	pe2	82.37	16.91	4.29	10.14
2	pe3	82.81	14.92	4.10	9.70
2	pe4	89.05	9.26	4.34	10.25

## plot

p3.Asc.all.plot4.2.1 <- ggplot(p3.Acc.Asc.g.all.1, mapping=aes(x=cPE, y=aCorr.M, group=Btw)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci, fill=Btw), alpha=0.5) +
  geom_line(p3.Acc.Asc.g.all.1, mapping=aes(x=cPE, y=aCorr.M, color=Btw), size =1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) + 
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 AM of Correct Source (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")
p3.Asc.exp.plot4.2.1 <- ggplot(p3.Acc.Asc.g.exp.1, mapping=aes(x=cPE, y=aCorr.M, group=1)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.Asc.long.exp.1, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=aCorr, group=SN, color=SN)) +
  geom_point(p3.Acc.Asc.long.exp.1, mapping = aes(x=cPE, y=aCorr, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 AM of Correct Source (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.Asc.con.plot4.2.1 <- ggplot(p3.Acc.Asc.g.con.1, mapping=aes(x=cPE, y=aCorr.M, group=1)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.Asc.long.con.1, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=aCorr, group=SN, color=SN)) +
  geom_point(p3.Acc.Asc.long.con.1, mapping = aes(x=cPE, y=aCorr, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 1 AM of Correct Source (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.Asc.all.plot4.2.1,p3.Asc.exp.plot4.2.1, p3.Asc.con.plot4.2.1, ncol=3, labels=c("A) All Group", "B) Experimental", "C) Control"))

집단과 예측 오류 조건을 요인으로 2 X 4 혼합 요인 분산분석을 수행하였다.

p3.Acc.all.aov.Asc.1 <- aov_ez(id = "SN", dv = "aCorr", data = p3.Acc.Asc.long.all.1, between = "Btw", within = "cPE")
anova(p3.Acc.all.aov.Asc.1, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	294.676	2.281	0.140	0.153
cPE	2.273	31.825	160.337	0.500	0.034	0.635
Btw:cPE	2.273	31.825	160.337	1.641	0.105	0.207

분석 결과, 모든 효과가 유의하지 않았다.

2.2.2.3.2 목록 2 정확반응에서의 연합 기억 정확도

List 2 Correct 출처 반응에서 집단과 예측 오류 조건에 따라 연합 기억 수준이 다른지 살펴보았다. 각 조건의 평균과 표준편차를 계산하였다. 아래의 그래프에서 A는 전체 집단, B는 실험 집단, C는 통제 집단을 나타내며, 빨간 점은 평균, 빨간 리본은 95% 신뢰구간을 나타낸다.

## List 2 Association Memory of Correct Source Response
# long format
p3.Acc.Asc.long.all.2 <- p3 %>% filter(cPE != "pe0", Correct == 1, cSrc == "List_2") %>% group_by(SN, Btw, cPE) %>% 
  summarise(aCorr = mean(aCorr)*100) %>% ungroup()

## `summarise()` has grouped output by 'SN', 'Btw'. You can override using the `.groups` argument.

p3.Acc.Asc.long.exp.2 <- p3.Acc.Asc.long.all.2 %>% filter(Btw==1)
p3.Acc.Asc.long.con.2 <- p3.Acc.Asc.long.all.2 %>% filter(Btw==2)

# wide format
p3.Acc.Asc.swide.all.2 <- p3.Acc.Asc.long.all.2 %>% spread(key = cPE, value = aCorr)
p3.Acc.Asc.swide.exp.2 <- p3.Acc.Asc.swide.all.2 %>% filter(Btw==1)
p3.Acc.Asc.swide.con.2 <- p3.Acc.Asc.swide.all.2 %>% filter(Btw==2)

# summary
p3.Acc.Asc.g.all.2 <- p3.Acc.Asc.long.all.2 %>%  group_by(Btw, cPE) %>% 
  summarise(aCorr.M = mean(aCorr), aCorr.SD = sd(aCorr)) %>% ungroup() 

## `summarise()` has grouped output by 'Btw'. You can override using the `.groups` argument.

p3.Acc.Asc.g.all.2$aCorr.se <- Rmisc::summarySEwithin(data = p3.Acc.Asc.long.all.2, measurevar = "aCorr", 
                                                      idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$se
p3.Acc.Asc.g.all.2$aCorr.ci <- Rmisc::summarySEwithin(data = p3.Acc.Asc.long.all.2, measurevar = "aCorr", 
                                                      idvar = "SN", betweenvars = "Btw", withinvars = "cPE")$ci
p3.Acc.Asc.g.exp.2 <- p3.Acc.Asc.g.all.2 %>% filter(Btw==1)
p3.Acc.Asc.g.con.2 <- p3.Acc.Asc.g.all.2 %>% filter(Btw==2)
p3.Acc.Asc.g.all.2 %>% kable(digits=2)

Btw	cPE	aCorr.M	aCorr.SD	aCorr.se	aCorr.ci
1	pe1	97.55	4.91	1.06	2.50
1	pe2	95.33	8.96	2.90	6.85
1	pe3	96.51	5.03	2.32	5.48
1	pe4	95.80	6.77	1.45	3.44
2	pe1	92.28	8.84	2.03	4.80
2	pe2	92.14	7.29	2.25	5.33
2	pe3	87.37	9.36	2.77	6.54
2	pe4	93.72	8.19	3.15	7.45

## plot
p3.Asc.all.plot4.2.2 <- ggplot(p3.Acc.Asc.g.all.2, mapping=aes(x=cPE, y=aCorr.M, group=Btw)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci, fill=Btw), alpha=0.5) +
  geom_line(p3.Acc.Asc.g.all.2, mapping=aes(x=cPE, y=aCorr.M, color=Btw), size =1, show.legend = FALSE) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M, color=Btw), position = position_dodge(0), 
                  size = 0.8, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  scale_fill_manual(values = c("#e69f00", "#56b4e9"), labels = c("Experimental", "Control")) +
  scale_color_manual(values = c("#e69f00", "#56b4e9")) + 
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 AM of Correct Source (All Group)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"),
        legend.position = "top")
p3.Asc.exp.plot4.2.2 <- ggplot(p3.Acc.Asc.g.exp.2, mapping=aes(x=cPE, y=aCorr.M, group=1)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.Asc.long.exp.2, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=aCorr, group=SN, color=SN)) +
  geom_point(p3.Acc.Asc.long.exp.2, mapping = aes(x=cPE, y=aCorr, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 AM of Correct Source (Exp)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
p3.Asc.con.plot4.2.2 <- ggplot(p3.Acc.Asc.g.con.2, mapping=aes(x=cPE, y=aCorr.M, group=1)) + 
  geom_ribbon(aes(ymin=aCorr.M-aCorr.ci, ymax=aCorr.M+aCorr.ci), fill="darkred", alpha=0.3) + geom_line(colour="darkred", size = 1) +
  geom_pointrange(aes(x = cPE, ymin=aCorr.M, ymax=aCorr.M), position = position_dodge(0.65), 
                  color = "darkred", size = 0.8, show.legend = FALSE) +
  geom_line(p3.Acc.Asc.long.con.2, alpha = 0.7, show.legend = FALSE,
            mapping=aes(x=cPE, y=aCorr, group=SN, color=SN)) +
  geom_point(p3.Acc.Asc.long.con.2, mapping = aes(x=cPE, y=aCorr, color=SN), size = 3, alpha = .22, show.legend = FALSE) +
  coord_cartesian(ylim = c(20, 100), clip = "on") +
  labs(x = "Prediction Error", y = "Association Accuracy (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # ggtitle("List 2 AM of Correct Source (Con)") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border=element_blank(),
        plot.margin = margin(0.3, 0.3, 0.3, 0.3, "cm"))
ggpubr::ggarrange(p3.Asc.all.plot4.2.2, p3.Asc.exp.plot4.2.2, p3.Asc.con.plot4.2.2, ncol=3, labels=c("A) All Group", "B) Experimental", "C) Control"))

집단과 예측 오류를 요인으로 하는 2 X 4 혼합 요인 분산분석을 수행하였다.

p3.Acc.all.aov.Asc.2 <- aov_ez(id = "SN", dv = "aCorr", data = p3.Acc.Asc.long.all.2, between = "Btw", within = "cPE")
anova(p3.Acc.all.aov.Asc.2, es = "pes") %>% kable(digits=3)

	num Df	den Df	MSE	F	pes	Pr(>F)
Btw	1.000	14.000	90.656	4.273	0.234	0.058
cPE	2.125	29.755	65.888	0.642	0.044	0.542
Btw:cPE	2.125	29.755	65.888	0.828	0.056	0.453

분석 결과, 모든 효과가 유의하지 않았다.

---

save(list=ls(), file="memudt_pe_pilot.Rdata")

---

3 PLOT

3.1 Day 1 & 2. Association Memory Performance

p12.L.g.L1 <- p12.L.g.all %>% filter(day == "day1")
p12.L.g.L1$Btw <- factor(p12.L.g.L1$Btw, labels=c("Experimental", "Control"))
p12.L.g.L1.plot1 <- ggplot(data=p12.L.g.L1, 
                           aes(x=Block, y=ACC.M, ymin=ACC.M-ci, ymax=ACC.M+ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(20,100), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  labs(x = "Block", y = "Accuracy (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.65, 0.35),
        legend.title = element_blank(),
        aspect.ratio = 0.6,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.5, 0.3, 0.3, "cm"),
        legend.key = element_blank())

p12.L.g.L2 <- p12.L.g.all %>% filter(day == "day2")
p12.L.g.L2$Btw <- factor(p12.L.g.L2$Btw, labels=c("Experimental", "Control"))
p12.L.g.L2.plot1 <- ggplot(data=p12.L.g.L2, 
                           aes(x=Block, y=ACC.M, ymin=ACC.M-ci, ymax=ACC.M+ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(20,100), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  labs(x = "Block", y = "Accuracy (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.65, 0.35),
        legend.title = element_blank(),
        aspect.ratio = 0.6,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.5, "cm"),
        legend.key = element_blank())


p12.L.rt.g.L1 <- p12.L.rt.g.all %>% filter(day == "day1")
p12.L.rt.g.L1$Btw <- factor(p12.L.g.L1$Btw, labels=c("Experimental", "Control"))
p12.L.rt.g.L1.plot1 <- ggplot(data=p12.L.rt.g.L1 , 
                              aes(x=Block, y=RT.M, ymin=RT.M-ci, ymax=RT.M+ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0,1800), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  labs(x = "Block", y = "Response Time (ms)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.65, 0.85),
        legend.title = element_blank(),
        aspect.ratio = 0.6,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.5, 0.3, 0.3, "cm"),
        legend.key = element_blank())

p12.L.rt.g.L2 <- p12.L.rt.g.all %>% filter(day == "day2")
p12.L.rt.g.L2$Btw <- factor(p12.L.g.L2$Btw, labels=c("Experimental", "Control"))
p12.L.rt.g.L2.plot1 <- ggplot(data=p12.L.rt.g.L2 , 
                              aes(x=Block, y=RT.M, ymin=RT.M-ci, ymax=RT.M+ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0,1800), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("1", "2", "3", "4")) +
  labs(x = "Block", y = "Response Time (ms)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.65, 0.85),
        legend.title = element_blank(),
        aspect.ratio = 0.6,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.5, "cm"),
        legend.key = element_blank())

d1_d2_asc_all2_pilot<- ggpubr::ggarrange(p12.L.g.L1.plot1, p12.L.g.L2.plot1, p12.L.rt.g.L1.plot1, p12.L.rt.g.L2.plot1, nrow = 2, ncol=2, 
                                 labels=c("A. List 1","B. List 2"," "," "),
                                 hjust = -0.05, vjust=1, font.label = list(size = 20))
d1_d2_asc_all2_pilot

# ggsave("d1&d2_asc_all_pilot.jpg", plot = d1_d2_asc_all2_pilot, width=8, height=6, unit='in', dpi=600)

3.2 Day 3. Asymmetric Patterns of Source Misattribution

p3.AsyPtt.long.all.p2 <- p3.AsyPtt.long.all %>% filter(cSrc != "List_3", Resp != "New")
p3.AsyPtt.g.all.p2 <- p3.AsyPtt.g.all %>% filter(cSrc != "List_3", Resp != "New")
p3.all.plot3.pilot <- ggplot(data=p3.AsyPtt.long.all.p2, aes(x=cSrc, y=Rsp, fill=Resp)) +
  stat_summary(fun = mean, geom = "bar", position="dodge", na.rm = TRUE, alpha = .9, width = 0.8, colour="black", size = 1.02) +
  geom_pointrange(data=p3.AsyPtt.g.all.p2, aes(x = cSrc, y=Rsp.M, ymin = Rsp.M-Rsp.ci, ymax = Rsp.M+Rsp.ci),
                  position = position_dodge(0.80), color = "darkred", size = 1, show.legend = FALSE) +
  # geom_point(data=p3.AsyPtt.g.all.p2, aes(x = cSrc, y=Rsp.M),
                  # position = position_dodge(0.80), color = "black", size = 5, show.legend = FALSE) +
  # geom_errorbar(data=p3.AsyPtt.g.all.p2, aes(x=cSrc, ymin = Rsp.M-Rsp.ci, ymax = Rsp.M+Rsp.ci), size = 1, width = .2, position = position_dodge(0.8)) +
  facet_grid(.~Btw, scales="free_x", space = "free",
             labeller = labeller(Btw = c("1" = "Experimental Group","2" = "Control Group"))) +
  scale_x_discrete(labels=c("List 1","List 2")) +
  scale_fill_manual(values = c("#feb24c", "#91bfdb"),
  # scale_fill_manual(values = c("#a3d8d7", "#ed9b5d"),#a3d8d7 #72c2c8
  # scale_fill_manual(values = c("#feb24c", "#4292c6"),
  # scale_fill_manual(values = c("#c6d9f1", "#254061"),
                    labels = c("Day 1 Response", "Day 2 Response")) +
  coord_cartesian(ylim = c(0, 105), clip = "on") +
  labs(x = "Source Response by Object List", y = "Proportion of Response (%)", fill ="Attribution") +
  # ggtitle("Source Memory Response") +
  theme_bw(base_size = 15) +
  theme(axis.title = element_text(face = "bold", size = 16, color = "black"),
        axis.text = element_text(face = "plain", hjust = 0.5, size = 15, color = "black"),
        axis.line=element_line(),
        strip.text.x = element_text(face = "plain", size = 15, color = "black"),
        strip.background = element_blank(),
        panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        panel.border = element_blank(),
        panel.spacing=unit(1, "lines"),
        plot.margin = margin(1, 0.3, 1, 0.3, "cm"), 
        # plot.title = element_text(hjust = 0.5),
        legend.position=c(0.8, 0.85))
p3.all.plot3.pilot

# ggsave("d3_Src_asyptt_all_pilot3.jpg", plot = p3.all.plot3.pilot, width=6, height=6, unit='in', dpi=600)

3.3 Day 3. Non-monotonic Patterns of Memory Updating

# Intrusion
p3.Intru.g.all.p3 <- p3.Intru.g.all
p3.Intru.g.all.p3$Btw <- factor(p3.Intru.g.all.p3$Btw, labels=c("Experimental", "Control"))

p3.plot2.1.all.p3.pilot <- ggplot(data=p3.Intru.g.all.p3, 
                            aes(x=cPE, y=Intru.M, ymin=Intru.M-Intru.ci, ymax=Intru.M+Intru.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0,70), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  labs(x = "Prediction Error", y = "Intrusion (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.85),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.3, "cm"),
        legend.key = element_blank())
p3.plot2.1.all.p3.pilot

# ggsave("d3_Src_nmon_int_pilot2.jpg", plot = p3.plot2.1.all.p3.pilot, width=6, height=6, unit='in', dpi=600)

p3.Acc.g.all.1.p3 <- p3.Acc.g.all.1
p3.Acc.g.all.1.p3$Btw <- factor(p3.Acc.g.all.1.p3$Btw, labels=c("Experimental", "Control"))
p3.plot2.2.all.1.p3 <- ggplot(data=p3.Acc.g.all.1.p3, 
                              aes(x=cPE, y=Acc.M, ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(40,100), clip = "on") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # scale_y_continuous(breaks = seq(0,80)) +
  labs(x = "Prediction Error", y = "List 1 Correct (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.25),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.5, 0.3, 0.3, "cm"),
        legend.key = element_blank())
# p3.plot2.2.all.1.p3

# source confusion
p3.Err.g.all.p3 <- p3.Err.g.all
p3.Err.g.all.p3$Btw <- factor(p3.Err.g.all.p3$Btw, labels=c("Experimental", "Control"))

p3.plot2.3.all.1.p3 <- ggplot(data=p3.Err.g.all.p3, 
                              aes(x=cPE, y=Err.M, ymin=Err.M-Err.ci, ymax=Err.M+Err.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0,70), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  labs(x = "Prediction Error", y = "Source Confusion (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.85),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.5, "cm"),
        legend.key = element_blank())
# p3.plot2.3.all.1.p3

# List 2 Correct
p3.Acc.g.all.2.p3 <- p3.Acc.g.all.2
p3.Acc.g.all.2.p3$Btw <- factor(p3.Acc.g.all.2.p3$Btw, labels=c("Experimental", "Control"))

p3.plot2.2.all.2.p3 <- ggplot(data=p3.Acc.g.all.2.p3, 
                              aes(x=cPE, y=Acc.M, ymin=Acc.M-Acc.ci, ymax=Acc.M+Acc.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(40,100), clip = "on") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  # scale_y_continuous(breaks = seq(0,80)) +
  labs(x = "Prediction Error", y = "List 2 Correct (%)") +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.25),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.5, 0.3, 0.3, "cm"),
        legend.key = element_blank())
# p3.plot2.2.all.2.p3

# Intrusion
p3.Intru.g.all.p3 <- p3.Intru.g.all
p3.Intru.g.all.p3$Btw <- factor(p3.Intru.g.all.p3$Btw, labels=c("Experimental", "Control"))

p3.plot2.1.all.p3 <- ggplot(data=p3.Intru.g.all.p3, 
                            aes(x=cPE, y=Intru.M, ymin=Intru.M-Intru.ci, ymax=Intru.M+Intru.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(0,70), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  labs(x = "Prediction Error", y = "Intrusion (%)") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.85),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.5, "cm"),
        legend.key = element_blank())
# p3.plot2.1.all.p3

d3_nmon_src<- ggpubr::ggarrange(p3.plot2.2.all.1.p3, p3.plot2.2.all.2.p3, p3.plot2.3.all.1.p3, p3.plot2.1.all.p3, nrow = 2, ncol=2, 
                          labels=c("A","B","C","D"),
                          hjust = -0.05, vjust=1, font.label = list(size = 20))
d3_nmon_src

# ggsave("d3_Src_nmon_all_pilot3.jpg", plot = d3_nmon_src, width=12, height=12, unit='in', dpi=600)

p3.US.g.all.p3 <- p3.US.g.all
p3.US.g.all.p3$Btw <- factor(p3.US.g.all.p3$Btw, labels=c("Experimental", "Control"))

p3.plot5.1.all.p3 <- ggplot(data=p3.US.g.all.p3, 
                            aes(x=cPE, y=US.M, ymin=US.M-US.ci, ymax=US.M+US.ci, color=Btw, shape=Btw)) +
  geom_point(size = 4, position = position_dodge(.3)) +
  geom_errorbar(width = .2, position = position_dodge(.3)) +
  geom_line(aes(group = Btw), position = position_dodge(.3)) + 
  scale_color_manual(values = c("red", "black")) +
  # scale_shape_manual(values = c("red", "black"), labels = c("Experimental", "Control")) +
  coord_cartesian(ylim = c(-50,50), clip = "on") +
  # scale_y_continuous(breaks = seq(0,80)) +
  labs(x = "Prediction Error", y = "Updating Score") +
  scale_x_discrete(labels = c("PE 1", "PE 2", "PE 3", "PE 4")) +
  theme_bw(base_size = 18) +
  theme(panel.grid.major = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = c(0.75, 0.20),
        legend.title = element_blank(),
        aspect.ratio = 1,
        legend.background = element_blank(),
        plot.margin = margin(1, 0.3, 0.3, 0.3, "cm"),
        legend.key = element_blank())
p3.plot5.1.all.p3

# ggsave("d3_Src_nmon_US_pilot3.jpg", plot = p3.plot5.1.all.p3, width=6, height=6, unit='in', dpi=600)

---

4 SessionInfo

sessionInfo()

## R version 4.1.1 (2021-08-10)
## Platform: aarch64-apple-darwin20 (64-bit)
## Running under: macOS Monterey 12.1
## 
## Matrix products: default
## BLAS:   /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/lib/libRblas.0.dylib
## LAPACK: /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/lib/libRlapack.dylib
## 
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
## 
## attached base packages:
## [1] parallel  stats     graphics  grDevices utils     datasets  methods  
## [8] base     
## 
## other attached packages:
##  [1] klippy_0.0.0.9500    patchwork_1.1.0.9000 MuMIn_1.43.17       
##  [4] ggpubr_0.4.0         psycho_0.6.1         nortest_1.0-4       
##  [7] rcompanion_2.4.13    matlab_1.0.2         scales_1.1.1        
## [10] apaTables_2.0.8      RVAideMemoire_0.9-81 ggbeeswarm_0.6.0    
## [13] gridExtra_2.3        psych_2.1.9          ordinal_2019.12-10  
## [16] emmeans_1.6.3        afex_1.0-1           lme4_1.1-27.1       
## [19] Matrix_1.3-4         car_3.0-11           carData_3.0-4       
## [22] knitr_1.34           papaja_0.1.0.9997    forcats_0.5.1       
## [25] stringr_1.4.0        dplyr_1.0.7          purrr_0.3.4         
## [28] readr_2.0.1          tidyr_1.1.3          tibble_3.1.4        
## [31] ggplot2_3.3.5        tidyverse_1.3.1      Rmisc_1.5           
## [34] plyr_1.8.6           lattice_0.20-44      pacman_0.5.1        
## 
## loaded via a namespace (and not attached):
##   [1] readxl_1.3.1        backports_1.2.1     splines_4.1.1      
##   [4] usethis_2.0.1       TH.data_1.1-0       digest_0.6.28      
##   [7] htmltools_0.5.2     lmerTest_3.1-3      fansi_0.5.0        
##  [10] memoise_2.0.0       magrittr_2.0.1      remotes_2.4.0      
##  [13] tzdb_0.1.2          openxlsx_4.2.4      modelr_0.1.8       
##  [16] matrixStats_0.61.0  sandwich_3.0-1      prettyunits_1.1.1  
##  [19] colorspace_2.0-2    rvest_1.0.1         haven_2.4.3        
##  [22] xfun_0.26           callr_3.7.0         crayon_1.4.1       
##  [25] jsonlite_1.7.2      libcoin_1.0-9       Exact_3.1          
##  [28] survival_3.2-11     zoo_1.8-9           glue_1.4.2         
##  [31] gtable_0.3.0        pkgbuild_1.2.0      abind_1.4-5        
##  [34] mvtnorm_1.1-2       DBI_1.1.1           rstatix_0.7.0      
##  [37] Rcpp_1.0.7          xtable_1.8-4        tmvnsim_1.0-2      
##  [40] foreign_0.8-81      proxy_0.4-26        stats4_4.1.1       
##  [43] httr_1.4.2          ellipsis_0.3.2      modeltools_0.2-23  
##  [46] farver_2.1.0        pkgconfig_2.0.3     multcompView_0.1-8 
##  [49] dbplyr_2.1.1        utf8_1.2.2          labeling_0.4.2     
##  [52] tidyselect_1.1.1    rlang_0.4.11        reshape2_1.4.4     
##  [55] cachem_1.0.6        munsell_0.5.0       cellranger_1.1.0   
##  [58] tools_4.1.1         cli_3.0.1           generics_0.1.0     
##  [61] devtools_2.4.2      broom_0.7.9.9000    evaluate_0.14      
##  [64] fastmap_1.1.0       yaml_2.2.1          processx_3.5.2     
##  [67] fs_1.5.0            zip_2.2.0           coin_1.4-2         
##  [70] rootSolve_1.8.2.3   nlme_3.1-152        xml2_1.3.2         
##  [73] pbkrtest_0.5.1      compiler_4.1.1      rstudioapi_0.13    
##  [76] beeswarm_0.4.0      curl_4.3.2          testthat_3.0.4     
##  [79] e1071_1.7-9         ggsignif_0.6.3      reprex_2.0.1       
##  [82] DescTools_0.99.44   stringi_1.7.4       highr_0.9          
##  [85] ps_1.6.0            desc_1.3.0          nloptr_1.2.2.2     
##  [88] vctrs_0.3.8         pillar_1.6.2        lifecycle_1.0.0    
##  [91] lmtest_0.9-39       jquerylib_0.1.4     ucminf_1.1-4       
##  [94] estimability_1.3    cowplot_1.1.1       data.table_1.14.0  
##  [97] lmom_2.8            R6_2.5.1            rio_0.5.27         
## [100] vipor_0.4.5         gld_2.6.4           sessioninfo_1.1.1  
## [103] codetools_0.2-18    pkgload_1.2.2       boot_1.3-28        
## [106] MASS_7.3-54         assertthat_0.2.1    rprojroot_2.0.2    
## [109] withr_2.4.2         mnormt_2.0.2        multcomp_1.4-18    
## [112] expm_0.999-6        hms_1.1.0           grid_4.1.1         
## [115] coda_0.19-4         class_7.3-19        minqa_1.2.4        
## [118] rmarkdown_2.11      numDeriv_2016.8-1.1 lubridate_1.7.10